php和mysql web开发第五版pdf_第十五课 RPA获取PDF文档的数据

    大家好，这节课我们来谈谈如何从PDF文档中获取业务所需要的数据。在实际项目中，我们经常会遇到需要处理PDF文档中数据的场景，比如某企业或者银行将个人征信信息以PDF格式方式存储，业务中先从该文档获取指定数据，然后将这些数据搬运到Web系统对应的字段中或者将字段存入数据库中，在这种场景里，首先需要做的是要将PDF文档中的数据读取出来，然后进行后续的操作。那么，如何才能从PDF文档中获取我们所需要的字段呢？

    接下来，我们一起谈谈具体操作思路及操作步骤。

准备工作：

    1)准备开发流程的电脑，请打开云扩学院链接查看云扩RPA编辑器运行的硬件&软件要求(https://academy.encoo.com/wiki/Studio/quickStart/HarewareAndSoftwareRequirements.md?)

    2)打开云扩官网(https://www.encoo.com/)下载编辑器并安装。

解决方案：

    1)将PDF转换为Excel，然后从Excel中获取对应的数据；

    2)将PDF转换为Word，再从Word中获取对应数据。

根据业务需求及PDF文档模板来决定转换为Excel还是Word格式。那么，又该怎么判断要转换为Excel或者Word格式呢？这里，我们用两种模板的PDF文档来举例，第一份模板格式如下所示：

该业务中我们需要获取“订单号”及“联系人”等第一个表格中的数据，但订单号不在表格中，所以转换为Excel格式不太可靠，那么我们就转为Word格式来操作。

第二份PDF模板，模板中所有数据都在表格中，如下面视频所示：

这类PDF文档，我们可以转换为Excel然后进行后续操作。

本节课我们以转换为Word格式为例进行讲解。

流程开发思路及步骤：

   1)设计流程思路：

     2)流程开发步骤：

打开云扩编辑器，选择“项目”，并点击“新建项目”进行创建项目。

根据流程设计，我们需要用到PDF转换组件及处理Word组件。打开“流程市场”，下载“PDF格式转换工具包”与“Office Word组件包”。

下载后在扩展中能看到对应的组件包，如下图所示：

进入项目，拖入“PDF转Word”组件，添加PDF文档路径与转换后的Word路径变量并输入属性：

拖入“Word打开/新建”组件，添加word变量并输入对应属性：

打开Word文档(如下图所示)后首先获取订单号，但订单号不在表格中，我们可以考虑选择行与复制来获取。

拖入“Word选择行”组件，并输入对应的属性，如上面Word文档截图所示，订单号在第4行，那么我们定义“起始行”与“结束行”的值为4：

选择行之后进行复制，并将复制的值从剪切板获取。拖入“Word复制”组件与“获取剪贴板”组件并输入对应的属性变量：

再从Word文档截图可见，第4行数据除了订单号外还有打印日期，那么我们需要进行简单处理，以字串中的冒号“：”与"Print“的第一个字母”P“切割(Split()方法)，并删除字串前后空格，用Trim()方法，即：bookingNo.Split(':')[1].Split('P')[0].Trim()，我们用确认框来测试这种方法是否可行，如下图所示，可获取正确的订单号：

接下来需要获取表格中的数据，我们用“Word获取表格”组件，获取数据的表格在Word文档中属于第1个表格的位置。拖入“Word获取表格”组件，并添加变量，输入顺序等属性，然后用“预览数据表”组件进行预览获取的表格是否正确

运行并预览获取的数据表，数据获取完整，如下图所示：

以上操作已获取到表格外的订单号与表格中的数据了，那么接下来需要处理数据表中的数据。我们用数据表“遍历行”组件进行遍历每一行，每一行中再用“循环操作(While)”组件进行处理每一列数据。

拖入“遍历行”组件，输入对应处理的数据表变量：

拖入“循环操作(While)”组件，并添加变量与循环条件，循环条件为：index( 用row.ItemArray.Length方法获取DataRow的列数，index作为列index)

接下来我们用“确认框”组件来检查每一行每一列数据( row[index].ToString())，用“赋值”组件递增index，如下图所示：

       至此，从PDF文档中按需获取数据流程已开发完毕，保存流程并运行，参考以下视频：

获取到正确数据后要填入数据库或者搬运到web端系统待后续课程中进行讲解，本次课程到此结束~