提取pdf订单内容

需求：供应链的小伙伴找到我，说是每周处理pdf订单文件太费事，需要把里面的内容逐个拷贝处理出来，然后粘贴到excel归档，这样的操作挺费事的，每次都要花个半个小时以上的时候，而且还有一个问题，人工操作，指不定哪个格子粘贴不对，导致数据出错。细细想来，确认是这么个情况，客户把pdf文件发送过来，确实需要这样做，当然，就需要花不少的时间了。

分析：当然，从Python的思维出发，直接读取pdf不就完事了？果然，Python有第三方的Library支持，选来选取，最后选择了pdfplumber, 基本上可以满足这个需求。注意：图片pdf是无法读取的，那个要涉及到图像识别了，这里的pdf一般指通过其他应用转成的pdf.

处理过程：

整个过程中，处理的核心为通过pdfplumber, 关于这个库，其中用到了pdfplumber.extract_text()进行整个单页面提取，当然，也可以通过table来提取数据，后面剩下的就是数据处理了，当然可以结合微信，钉钉，邮件之类的方式，把结果推送出去。

核心代码如下：

def get_from_pdf(file_name):

    part=''

    ProgramNum=''

    record=[]

    per_record=[]

    with pdfplumber.open(file_name) as pdf:

        page=pdf.pages[0]

        info=page.extract_text()

    with open('temp.txt','w',encoding='utf-8') as fw:

        fw.write(info)

    with open('temp.txt','r',encoding='utf-8') as fr:

        lines=fr.readlines()

        for line in lines:

            line=(line.strip('\n')).strip()

            if "Part:" in line:

                part=get_part(line)

            if "Program Number/Start Date:" in line:

                ProgramNum=get_program_number(line)

            if "/202" in line:

                per_line=line.split(" ")

                if "/202" in per_line[0]:

                    per_record.append(dt_sql(per_line[0]))

                    per_record.append(per_line[2])

                    record.append(per_record)

                    per_record=[]

                   

               

               

            

    print(part)

    print(ProgramNum)

    for line in record:

        print(line)     

return part,ProgramNum,record

在这个里面，提取的内容是做了中转，先转到本地临时txt中，然后从txt中提取数据并转存为list格式，进行更深入的数据筛选。

小结：

通过python对pdf数据的提取，目前有几个优点：

1. 这个方法可以减少人为操作失误，提供人员工作效率

2. 可以把这个方法应用任何使用pdf数据提取的地方，当然做大量pdf数据提取也是可以的。

更多的应用场景等待挖掘。。。