收藏影刀2023终竞赛-操作题二：PDF数据提取及处理
影刀见习开发者这个主要依赖于编码版实现。
1.多选文件
这个没什么好讲的，跟操作题四一样的，我就复制过来，选中多个pdf。
2.数据处理
这个全部用python实现。
需要安装三个库，pandas，pdfplumber，openpyxl
2.1以表格来读取pdf
for j in glv['d'].file:
j1= pdfplumber.open(j)
j2=list()
for k in j1.pages:
k1=k.extract_tables()
k2=flatten(k1)
j2+=k2
j2=list(filter(lambda i:i,j2))
j3=list()
这个其实就是按pdfplumber操作就好，值得注意的是，我将读出来的多维列表数据转换成一维列表。
最后会将一维列表的里空的去掉。
def flatten(lst):
flattened = []
for item in lst:
if isinstance(item, list):
flattened.extend(flatten(item))
else:
flattened.append(item)
return flattened
这个就是递归函数。
2.2匹配 '境内发货人','件数','毛重(千克)'
[r"^境内发货人.*\n(.*)",r"^件数\n(.*)",r"^毛重\(千克\)\n(\d*)"]
分别三个正则匹配就好，这个没什么要点,因为每个报价单就一个。
这里有个小问题，毛重这个地方，示例表是28取整，实际上是28.95.
目前是按取整写正则。如果需要含小数，正则改成r"^毛重\(千克\)\n(.*)"
2.3 匹配'商品编号','商品名称','商品数量'
这个可能会存在多个，所以不能像2.2找到就break
2.3.1一般情况
一般情况，一行行商品，中间没和竖线隔开，整行会被读成一个单元格。
这时候用正则^\d+ \d{10}，匹配以数字开头，中间有个空格，接着跟着10个数字的单元格。
这个里的前提，就是商品编号都是10位，并且按目前顺序。
接着按空格，把这个匹配中的单元格split成列表。
'商品编号','商品名称'，k2[1][:10],k2[1][10:]
取列表第二项第二项，然后头十位就是商品编号，后面就是商品名称。
然后用正则r"^\d+[\u4e00-\u9fff]{1}$"匹配中 数字开头并且一个汉字然后结尾，用来寻找商品数量。
这个地方有个小问题
示例中3台位于第一个，80盒位于最后一个，我也不知道什么规律。
目前这个匹配方法，会把两个都匹配出来，我现在取k3[0]
想要最后一个，就列表里取k3[-1]
2.3.2 报价单4的情况
这个里每一行都切成标准的excel，一个个单元格。
我们先按2.3.1匹配，如果匹配不中，就执行2.3.2
r"^\d{10}$" ，先正则匹配只有十位数字的单元格，商品编号，把这作为锚点。
这个单元格往后一格，就是商品名称。
而往后两格，就是商品数量。
商品数量，使用正则r"^\d+[\u4e00-\u9fff]{1}$"
和上面2.3.1的商品数量正则就多个^，其实也没差。
2.3.3 汇总数据
根据上面的步骤，把这些数据写成一个二位列表，然后转成pandas。
也记录每个报价单实际的行数，用于后面合并单元格。
2.3.4 写入数据
这个还是写入选取文件同个文件夹里
z1=list(map(lambda i:[sum(z1[:i-1])+2,sum(z1[:i])+1],range(1,len(z1)+1)))
这个z1 就是每个报关单实际占用的开始结束行序号。
for j in ['A','B','C']:
for k in z1:
if k[0]==k[1]:
continue
z8.merge_cells(f'{j}{k[0]}:{j}{k[1]}')
然后循环合并单元格。
当然，这个只有四个样本，实务上，这些正则能否生效，还有待商榷。
OK，如上就是我的整个思路逻辑。欢迎讨论交流。
收藏2
