为什么数据提取不完整pdfminer

Question

1.用pdfminer提取数据，打印出来有些数据没有提取到，是什么原因呢
2.后续想生成excel文件，但是无法识别table，另外，生成出来的文件怎么切割到每一个单元格呢

Answer 1

引自免费微信小程序：皆我百晓生

针对您的问题，我会分两部分进行解答：首先解决PDF数据提取不完整的问题，然后处理Excel文件创建与数据写入。

问题1：PDF数据提取不完整

在您提供的代码中，似乎出现了混淆。您尝试从text变量中提取生产指令号，但在循环中使用了未定义的table变量。这可能是导致某些数据未被正确提取的原因。为了解决这个问题，我们需要确保正则表达式匹配的是正确的字符串，并且在正确的地方使用提取结果。

这里是一个修正后的版本，它将提取所有生产指令号并将其存储在一个列表中，同时会处理缺失值的情况：

import re
from pdfminer.high_level import extract_text
from pdfminer.layout import LAParams

# 提取PDF中的文本信息
with open('外协-汇鼎（299215.5).pdf', 'rb') as file:
    text = extract_text(file, laparams=LAParams(line_margin=0.5))  # 增加行间距参数，提高提取准确率

# 定义正则表达式
regex = r"生产指令号：(.*?)(?:\n|$)"  # 使用非贪婪匹配，并考虑换行符作为结束符

# 提取生产指令号
xinyongcodes = re.findall(regex, text)

# 打印提取的结果
for i, code in enumerate(xinyongcodes, start=1):
    if code.strip():  # 过滤掉空白项
        print(f"第{i}个生产指令号：{code.strip()}")

这段代码首先增加了行间距参数laparams=LAParams(line_margin=0.5)，这有助于提高PDF文本的提取准确性。然后，在正则表达式中使用了非贪婪匹配(.*?)，以防止因贪婪匹配而错过下一个匹配项。最后，通过检查提取的每个生产指令号是否为空白，过滤掉了无效的条目。

问题2：生成Excel文件并写入数据

在修复了PDF数据提取后，我们可以继续处理生成Excel文件的部分。以下是修改后的代码，用于将提取的数据写入Excel文件，并确保每个元素都在单独的单元格内：

import re
from pdfminer.high_level import extract_text
from pdfminer.layout import LAParams
import openpyxl

# 提取PDF中的文本信息
with open('外协-汇鼎（299215.5).pdf', 'rb') as file:
    text = extract_text(file, laparams=LAParams(line_margin=0.5))

# 定义正则表达式
regex = r"生产指令号：(.*?)(?:\n|$)"
xinyongcodes = re.findall(regex, text)

# 创建一个新的Excel工作簿
workbook = openpyxl.Workbook()
sheet = workbook.active

# 写入数据到Excel
row_num = 1
for code in xinyongcodes:
    if code.strip():
        sheet.cell(row=row_num, column=1, value=code.strip())
        row_num += 1

# 保存Excel文件
workbook.save(filename='luomiqi1.xlsx')

这个版本的代码创建了一个新的Excel工作簿，然后遍历提取的生产指令号，并将它们分别写入到单独的单元格中。每提取一个生产指令号，就会自动跳转到下一行。最后，保存Excel文件到指定的位置。

请注意，这个示例仅针对提取生产指令号这一列数据。如果您有其他列需要提取，可以按照类似的方法添加更多的正则表达式和逻辑。