Python读取文档内容重命名问题

Question

这边想读取PDF文档中的订单编号与发票号，并用其重新命名文件，这个有什么问题，总是报Failed to extract all necessary information from the PDF file。这个如何解决，改代码应该如何修改
代码如下：

import os  
import re  
import pdfplumber  
  
def extract_info_from_pdf(pdf_path):  
    order_id = None  
    invoice_number = None  
    invoice_amount = None  
      
    with pdfplumber.open(pdf_path) as pdf:  
        for page in pdf.pages:  
            text = page.extract_text()  
            if text:  
                # 订单编号固定为20位数字  
                order_id_match = re.search(r'\b\d{20}\b', text)  
                if order_id_match:  
                    order_id = order_id_match.group(0)  
                  
                # 发票号固定为8位数字  
                invoice_number_match = re.search(r'\b\d{8}\b', text)  
                if invoice_number_match and not invoice_number:  # 假设每个PDF只有一个发票号  
                    invoice_number = invoice_number_match.group(0)  
                  
                # 发票金额包含“元”字，可能包含小数  
                invoice_amount_match = re.search(r'(\d+(\.\d+)?)元', text)  
                if invoice_amount_match:  
                    invoice_amount = invoice_amount_match.group(1)  
          
        # 检查是否提取到所有必要信息  
        if all([order_id, invoice_number, invoice_amount]):  
            return order_id, invoice_number, invoice_amount, "Success"  
        else:  
            return None, None, None, "Failed to extract all necessary information from the PDF file."  
  
def rename_file(old_path, new_name):  
    dir_name = os.path.dirname(old_path)  
    new_path = os.path.join(dir_name, new_name)  
    try:  
        os.rename(old_path, new_path)  
        print(f"Renamed {old_path} to {new_path}")  
        return "Success"  
    except Exception as e:  
        return f"Failed to rename file: {e}"  
  
# 指定PDF文件路径  
pdf_path = 'D:\\Desktop\\code\\陈述事实.pdf'  
  
# 提取信息  
order_id, invoice_number, invoice_amount, extract_status = extract_info_from_pdf(pdf_path)  
  
if extract_status == "Success":  
    # 构建新文件名并重命名文件  
    new_filename = f"{order_id}-{invoice_number}-{invoice_amount}元.pdf"  
    rename_status = rename_file(pdf_path, new_filename)  
    if rename_status == "Success":  
        print("Overall operation successful.")  
    else:  
        print(rename_status)  
else:  
    print(extract_status)

Answer 1

以下内容由CHATGPT及阿里嘎多学长共同生成、有用望采纳：

---

你好！看起来你在尝试使用 Python 来从 PDF 文档中提取特定的文本信息，并用这些信息来重命名文件。你遇到的问题可能是由于几个原因造成的，让我们一步步来分析和解决。

1. 文本提取问题：pdfplumber 可能无法从 PDF 中提取文本，这可能是因为 PDF 的格式问题，或者是因为文本被以图像的形式嵌入到 PDF 中。这种情况下，pdfplumber 无法识别文本。

2. 正则表达式匹配问题：你的正则表达式可能需要根据实际的文本格式进行调整。例如，如果订单编号或发票号前后有特殊字符或者格式，你的正则表达式可能需要相应地进行修改。

3. 错误处理：你的代码在提取信息失败时会返回错误信息，但没有提供具体的调试信息来帮助定位问题。

为了解决这个问题，你可以尝试以下几个步骤：

• 确保 PDF 可读：首先确认 PDF 文件是否是文本格式，而不是扫描的图像。如果是图像，你可能需要使用 OCR（光学字符识别）技术来提取文本。

• 调整正则表达式：检查你的 PDF 文档，看看订单编号和发票号前后是否有一致的格式或特殊字符，然后在正则表达式中相应地进行匹配。

• 增加调试信息：在 extract_info_from_pdf 函数中，你可以在每个匹配步骤后打印出匹配到的值，这样可以帮助定位问题。

• 处理特殊情况：如果 PDF 中包含多个发票号或者金额格式不一致，你的代码需要能够处理这些情况。

下面是一些修改后的代码示例，增加了调试信息和一些可能的正则表达式调整：

def extract_info_from_pdf(pdf_path):  
    # ... 省略之前的代码 ...

    for page in pdf.pages:  
        text = page.extract_text()  
        if text:  
            print(f"Extracted text from page: {text}")  # 调试信息
            # ... 省略之前的代码 ...

            # 发票金额可能有不同的格式，这里尝试更通用的匹配
            invoice_amount_match = re.search(r'(\d+(\.\d+)?)元', text)
            if invoice_amount_match:
                invoice_amount = invoice_amount_match.group(1)
                print(f"Matched invoice amount: {invoice_amount}")  # 调试信息

    # ... 省略之前的代码 ...

    if not all([order_id, invoice_number, invoice_amount]):
        missing_info = [info for info in [order_id, invoice_number, invoice_amount] if info is None]
        return None, None, None, f"Failed to extract all necessary information: Missing {missing_info}."

    return order_id, invoice_number, invoice_amount, "Success"

# ... 省略之前的代码 ...

希望这些建议能帮助你解决问题。如果你需要进一步的帮助，或者有其他问题，请随时告诉我！