每个月我都需要从.pdf文件中提取一些数据来创建一个Excel表。
我可以将.pdf文件转换为文本,但我不确定如何提取和保存所需的特定信息。现在我有了这个密码:from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
from cStringIO import StringIO
def convert_pdf_to_txt(path):
rsrcmgr = PDFResourceManager()
retstr = StringIO()
codec = 'utf-8'
laparams = LAParams()
device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
fp = file(path, 'rb')
interpreter = PDFPageInterpreter(rsrcmgr, device)
password = ""
maxpages = 0
caching = True
pagenos=set()
fstr = ''
for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages, password=password,caching=caching, check_extractable=True):
interpreter.process_page(page)
str = retstr.getvalue()
fstr += str
fp.close()
device.close()
retstr.close()
return fstr
print convert_pdf_to_txt("FA20150518.pdf")
结果是:>>>
AVILA 72, VALLDOREIX
08197 SANT CUGAT DEL VALLES
(BARCELONA)
TELF: 935441851
NIF: B65512725
EMAIL: buendialogistica@gmail.com
JOSE LUIS MARTINEZ LOPEZ
AVDA. DEL ESLA, 33-D
24240 SANTA MARIA DEL PARAMO
LEON
TELF: 600871170
FECHA
17/06/15
FACTURA
20150518
CLIENTE
43000335
N.I.F.
71548163 B
PÁG.
1
Nº VIAJE
RUTA
DESTINATARIO / REFERENCIA
KG
BULTOS
IMPORTE
2015064210-08/06/15
CERDANYOLA DEL VALLES -> VINAROS
FERRER ALIMENTACION - VINAROZ
2,000.0
1
150,00
TOTAL IMP.
%
IMPORTE
BASE
150,00
150,00
%
21,00
IVA
%
REC.
TOTAL FRA.
(€)
31,50
181,50
Eur
Forma Pago:
Banco:
CONTADO
Vencimientos:
17/06/15
181,50
好的,现在我有了变量convert_pdf_to_txt中的文本。
我要提取这个信息:客户,帐单号码,价格,到期日和付款方式。
客户名称始终处于关闭状态“电子邮件:buendialogistica@gmail.com”
账单数量总是下降“FACTURA”
价格总是下降两行“Vencimientos:”
到期日期始终为“Vencimientos:”
付款方式总是“Banco:”
我想在做这样的事情。如果我可以将此文本转换为列表并执行以下操作:
搜索客户:i=0
while i < lengthlist
if listitem[i] == "EMAIL: buendialogistica@gmail.com"
i+1
Customer = listitem[i]
i = lengthlist
else:
i+1
搜索账单编号:i=0
while i < lengthlist
if listitem[i] == "FACTURA"
i+1
Customer = listitem[i]
i = lengthlist
else:
i+1
之后我不知道如何保存在Excel中,但我相信我可以在论坛中找到例子,但首先我需要提取的只是这些数据。