为什么读取出来没有数据

Question

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('发票.pdf', 'rb') as file:
text = extract_text(file, laparams=LAParams(line_margin=1))

定义正则表达式

regex = r"编号：(.*?)(?:\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')

Answer 1

该回答引用自GPT-4o，由博主小ᶻZ࿆编写：

问题分析：

1. PDF 内容提取失败：如果没有数据，首先需要确认 pdfminer 是否成功提取了 PDF 中的文本。可以通过打印 text 的内容来检查是否成功获取到了数据。

   print(text)  # 检查提取的文本内容
   

2. 文件路径和编码问题：确保 发票.pdf 的路径是正确的，并且文件能够正常读取。如果文件名中有中文字符，可能需要处理文件编码问题。

解决方案建议：

1. 确认 PDF 内容提取是否正常：先通过 print(text) 检查提取到的内容。
2. 调整正则表达式：如果提取的内容结构复杂，可以使用更精确的正则表达式或逐行解析。
3. 使用其他工具处理复杂 PDF：如果 pdfminer 无法处理，可以尝试 PyMuPDF 或者使用 OCR 进行文本提取。

通过这些检查，应该能够找到读取不出数据的原因。

如有帮助，题主可以采纳一下嘛，谢谢~