帮你自动化办公的python - 自动提取pdf指定页（文件处理篇）

概述

本文主要阐述在项目《自动提取pdf指定页》中文件的处理方式。若对项目需求不清楚的用户，请先查看文章《帮你自动化办公的python - 自动提取pdf指定页（项目概述）》。

介绍

python中用于处理文件和目录的模块较多，有os, os.path , shutil 等，本项目主要用到了os和shutil模块，涉及到了文件和目录的一些基本操作，将其抽象成基本类，并根据项目需求，封装了文件处理的一些相关方法。

核心

b_file类中方法基本都是调用现成模块实现，主要包含以下7大功能：

1. 删除文件和目录

    #删除文件，file：完整文件名（包含路径）
    def del_file(self, file):
        os.remove(file)

    #删除目录，dir：路径名
    def del_dir(self, dir):
        shutil.rmtree(dir)

2. 获取文件名和路径，以及文件全名拼接

    # 获取文件名，file：完整文件名（包含路径）     
    # 返回：名字（不含路径）
    def get_name(self, file):
        return os.path.basename(file)

    # 获取文件路径，file：完整文件名（包含路径）   
    # 返回：路径
    def get_path(self, file):
        return os.path.dirname(file)

    # 组合文件全名，name：文件名(不含路径)   path：路径      
    # 返回：完整文件名（包含路径）
    def combination_file(self, path, name):
        return os.path.join(path, name)

3. 打开和关闭文件

    # 以读取的方式打开文件,file：完整文件名（包含路径）      
    # 返回：文件描述符
    def open_read(self, file):
        return open(file, "rb")

    # 以写入的方式打开文件,file：完整文件名（包含路径）      
    # 返回：文件描述符
    def open_write(self, file):
        return open(file, "wb")

    # 关闭文件,fd：文件描述符
    def close(self, fd):
        fd.close()

4. 判断是否是文件或目录：

    # 判断文件是否是目录,file：完整文件名（包含路径）      
    # 返回：是目录返回True，否则False
    def is_dir(self, file):
        return os.path.isdir(file)

    # 判断文件是否是正常文件,file：完整文件名（包含路径）      
    # 返回：是文件返回True，否则False
    def is_file(self, file):
        return os.path.isfile(file)

5. 获取文件后缀

    # 获取文件后缀，name：文件名(不含路径)
    # 返回：文件后缀“.txt"、“.pdf"、".c"等，用来判断文件类型
    def get_suffix(self, name):
        return os.path.splitext(name)[1]

6. 移动文件

    #移动文件，src：源   dst：目标 （src和dst为完整文件名，包含路径）
    def mv_file(self, src, dst):
        shutil.move(src, dst)

7. 列出目录下所有文件

    # 列出目录下所有文件，包括文件夹,path：路径      
    # 返回：文件列表
    def ls_file(self, path):
        return os.listdir(path)

f_file对象调用b_file的方法，设计出本项目涉及到的文件操作，包含以下3大功能

1. 获取指定目录下所有指定类型文件，注意：这里遍历所有文件用到了递归调用。

    # 获取指定目录下所有指定类型文件，path：路径   suffix：后缀
    # all_files：用来存储符合指定后缀的文件列表
    #返回符合指定后缀的文件列表
    def get_type_files(self, path, suffix, all_files):
        file_list = self.ls_file(path)      # 获取当前目录所有文件及文件夹

        # 遍历当前目录所有文件及文件夹，文件直接处理，目录则递归调用处理
        for name in file_list:
            file = self.combination_file(path, name)    # 获取文件全名
            if self.is_dir(file):
                self.get_type_files(file, suffix, all_files)    # 递归处理子目录
            else:
                if self.get_suffix(name) == suffix:     # 后缀匹配一致，符合条件
                    all_files.append(file)

        return all_files

2. 根据文件名获取页码，文件名前两位数字代表页码

    # 获取文件页码，文件名前两位表示页码格式如（02赵明12月工资)
    # file：完整文件名    返回：-1表示页码不正确、否则页码正常
    def get_page(self, file):
        name = self.get_name(file)
        num_str = file[0:2]     # 取前两位，表示页码
        if not num_str.isdigit() or num_str == "" or int(num_str) < 1:
            return -1
        return int(num_str)

3. 获取真实文件名，去掉文件名前面页码之后的名字

    # 获取文件名，去掉文件名前两位表示页码后的名字，格式如（赵明12月工资)
    # file：完整文件名    返回：-1表示页码不正确、否则页码正常
    def get_new_file_name(self, file):
        name = self.get_name(file)
        new_name = name[2:]     # 去掉前两位（页码）
        return self.combination_file(self.get_path(file), new_name)

示例

★b_file对象（文件基本操作类）：

属性：无

行为：包含打开文件、删除文件、关闭文件、打开目录、获取文件路径等。

★f_file对象（本项目中涉及到的文件操作类）：

属性：无

行为：包含获取指定目录下所有指定类型文件、通过文件名获取文件页码、获取真实文件名。

 f_file.py

import os
import shutil

# 文件操作基类定义
class b_file(object):
    def __init__(self, _excel, _name):
        self.excel = _excel

    #删除文件，file：完整文件名（包含路径）
    def del_file(self, file):
        os.remove(file)

    #删除目录，dir：路径名
    def del_dir(self, dir):
        shutil.rmtree(dir)

    #移动文件，src：源   dst：目标 （src和dst为完整文件名，包含路径）
    def mv_file(self, src, dst):
        shutil.move(src, dst)

    # 获取文件名，file：完整文件名（包含路径）     返回：名字（不含路径）
    def get_name(self, file):
        return os.path.basename(file)

    # 获取文件路径，file：完整文件名（包含路径）   返回：路径
    def get_path(self, file):
        return os.path.dirname(file)

    # 组合文件全名，name：文件名(不含路径)   path：路径      返回：完整文件名（包含路径）
    def combination_file(self, path, name):
        return os.path.join(path, name)

    # 获取文件后缀，name：文件名(不含路径)      返回：文件后缀“.txt"、“.pdf"、".c"等，用来判断文件类型
    def get_suffix(self, name):
        return os.path.splitext(name)[1]

    # 判断文件是否是目录,file：完整文件名（包含路径）      返回：是目录返回True，否则False
    def is_dir(self, file):
        return os.path.isdir(file)

    # 判断文件是否是正常文件,file：完整文件名（包含路径）      返回：是文件返回True，否则False
    def is_file(self, file):
        return os.path.isfile(file)

    # 列出目录下所有文件，包括文件夹,path：路径      返回：文件列表
    def ls_file(self, path):
        return os.listdir(path)

    # 以读取的方式打开文件,file：完整文件名（包含路径）      返回：文件描述符
    def open_read(self, file):
        return open(file, "rb")

    # 以写入的方式打开文件,file：完整文件名（包含路径）      返回：文件描述符
    def open_write(self, file):
        return open(file, "wb")

    # 关闭文件,fd：文件描述符
    def close(self, fd):
        fd.close()

# 文件操作类定义
class f_file(b_file):
    def __init__(self):
        pass

    #获取指定目录下所有指定类型文件，path：路径   suffix：后缀    all_files：用来存储符合指定后缀的文件列表
    #返回符合指定后缀的文件列表
    def get_type_files(self, path, suffix, all_files):
        file_list = self.ls_file(path)      # 获取当前目录所有文件及文件夹

        # 遍历当前目录所有文件及文件夹，文件直接处理，目录则递归调用处理
        for name in file_list:
            file = self.combination_file(path, name)    # 获取文件全名
            if self.is_dir(file):
                self.get_type_files(file, suffix, all_files)    # 递归处理子目录
            else:
                if self.get_suffix(name) == suffix:     # 后缀匹配一致，符合条件
                    all_files.append(file)

        return all_files

    # 获取文件页码，文件名前两位表示页码格式如（02赵明（序号83）2019年12月工资发放凭证)
    # file：完整文件名    返回：-1表示页码不正确、否则页码正常
    def get_page(self, file):
        name = self.get_name(file)
        num_str = file[0:2]     # 取前两位，表示页码
        if not num_str.isdigit() or num_str == "" or int(num_str) < 1:
            return -1
        return int(num_str)

    # 获取文件名，去掉文件名前两位表示页码后的名字，格式如（02赵明（序号83）2019年12月工资发放凭证)
    # file：完整文件名    返回：-1表示页码不正确、否则页码正常
    def get_new_file_name(self, file):
        name = self.get_name(file)
        new_name = name[2:]     # 去掉前两位（页码）
        return self.combination_file(self.get_path(file), new_name)

往期 · 推荐

也没想象中那么神秘的数据结构-一种通用化的双向链表设计（底层源码）

也没想象中那么神秘的数据结构-一环扣一环的“链表”（双向链表）

我用C语言玩对象，框架化的模板模式

我用C语言玩对象，偷偷关注着你的观察者模式（基类设计）

我用C语言玩对象，独一无二的单例模式

关注

更多精彩内容，请关注微信公众号：不只会拍照的程序猿，本人致力分享linux、设计模式、C语言、嵌入式、编程相关知识，也会抽空分享些摄影相关内容，同样也分享大量摄影、编程相关视频和源码，另外你若想要本文章源码请关注公众号：不只会拍照的程序猿，后台回复：PDF拆解源码，也可点击此处下载。