如何用pdfplumber完成for循环？

Question

问题

我正在学习本教程https://www.youtube.com/watch?v=eTz3VZmNPSE&list=PLxEus0qxF0wciRWRHIRck51EJRiQyiwZT&index=16

当代码返回我的这个错误时。

目标

我需要抓取一个看起来像这样的 pdf（我想附上 pdf 但我不知道如何附上）：

170001WO01 
English (US) into Arabic (DZ) 
Trans./Edit/Proof. 22.117,00 Words 1,350 29.857,95 
TM - Fuzzy Match 2.941,00 Words 0,500 1.470,50
TM - Exact Match 353,00 Words 0,100 35,30

方法

我正在使用 pdfplumber 学习上述教程。

import re
import pdfplumber 
import PyPDF2
import pandas as pd
from collections import namedtuple 
ap = open('test.pdf', 'rb')

我将数据框的列命名为最终产品。

Serv = namedtuple('Serv', 'case_number language num_trans num_fuzzy num_exact')

问题

与有 2 行的教程示例相比，我有 5 行不同的行。

case_li = re.compile(r'(\d{6}\w{2}\d{2})')
language_li = re.compile(r'(nglish \(US\) into )(.*)')
trans_li = re.compile(r'(Trans./Edit/Proof.              )(\d{2}\.\d{3})')
fuzzy_li = re.compile(r'(TM - Fuzzy Match                )(\d{1}\.\d{3})')
exact_li = re.compile(r'(M - Exact Match                )(\d{3})')

问题

当我在代码中引入第三行时，出现了一个我不知道的错误。我已经按照 2e0byo 的建议修改了代码，但仍然出现错误。

这是新代码：

line_items = []
with pdfplumber.open(ap) as pdf:
    page = pdf.pages
    for page in pdf.pages:
        text = page.extract_text()
        for line in text.split('\n'):
            
            line = case_li.search(line)
            if line:
                case_number = line
            
            line = language_li.search(line)
            if line:
                language = line.group(2)
            
            line = trans_li.search(line)
            if line:
                num_trans = line.group(2)
            
            line = fuzzy_li.search(line)
            if line:
                num_fuzzy = line.group(2)
            
            line = exact_li.search(line)
            if line:
                num_exact = line.group(2)
                
            line_items.append(Serv(case_number, language, num_trans, num_fuzzy, num_exact))```
---------------------------------------------------------------------------

这是新的错误：

TypeError                                 Traceback (most recent call last)
~\AppData\Local\Temp/ipykernel_13992/1572426536.py in <module>
     10                 case_number = line
     11 
---> 12             line = language_li.search(line)
     13             if line:
     14                 language = line.group(2)

TypeError: expected string or bytes-like object
TypeError: expected string or bytes-like object

# GOAL
It would be to append the lines to line_items and eventually

df = pd.DataFrame(line_items)

Answer 1

您已重新分配 line，此处：

for line in text.split("\n"):
    # line is a str (the line)
    line = language_li.search(line)
    # line is no longer a str, but the result of a re.search

so行不再是文本行，而是那次匹配的结果。因此 trans_li.search(line) 并不是在搜索您认为是的行。

要修复您的代码，请采用一致的模式：

for line in text.split("\n"):
    match = language_li.search(line)
    # line is still a str (the line)
    # match is the result of re.search
    if match:
        do_something(match.groups())
        ...

    # line is *still* a str

match = trans_li.search(line):
if match:
    ...

为了完整起见，使用可怕的海象运算符，您现在可以这样写：

if match := language_li.search(line) is not None:
    do_something(match.groups())

我一度认为它更整洁，但现在觉得很丑。我完全希望仅仅因为提及海象运算符而被否决。（如果你看看这个post的编辑历史，你会发现我连怎么用都忘记了，先倒着写。）

PS：您可能希望阅读 python 中的 变量作用域 ，尽管我所知道的任何语言都不允许这种特定的作用域冲突（覆盖循环中的循环变量）。偶然地错误地做这种事情是为什么我们通常避免使用类似命名的变量（如 line 和 Line），而是使用 line 和 match 之类的变量。

如何用pdfplumber完成for循环？

How to complete for loop with pdfplumber?

python

regex

pdf

pdfplumber

问题

目标

方法

我将数据框的列命名为最终产品。

问题

问题