剛剛結(jié)束的一個(gè)事情，僅限于完成了任務(wù)。

一、任務(wù)描述

有一個(gè)超巨型的資料性的文件，是網(wǎng)頁(yè)上查詢(xún)之后的結(jié)果，有幾百頁(yè)、幾百筆資料，需要把里面的資料一條一條的列在一個(gè)單獨(dú)立的文件里面，并且，文件用“組序號(hào)-標(biāo)識(shí)-名稱(chēng).pdf”來(lái)命名。

組序號(hào)由另一份Excel文件給出，每組之中有標(biāo)識(shí)和名稱(chēng)域與超巨pdf中的相應(yīng)域?qū)?yīng)。

難點(diǎn)：

1、不能手工操作。不易一一對(duì)應(yīng)，且不產(chǎn)生馬虎和疏忽的錯(cuò)誤。

2、沒(méi)有長(zhǎng)期時(shí)間。大致實(shí)測(cè)，一筆資料從信息提取、標(biāo)識(shí)對(duì)應(yīng)、生成新文件、按規(guī)則命名大約3分鐘左右時(shí)間，1000筆資料大約50小時(shí)，每天8小時(shí)不動(dòng)，大約6天，一周。一周下來(lái)，估計(jì)人也就廢了。我相信這事兒沒(méi)有兩周干不下來(lái)。

3、不易協(xié)同作業(yè)。Excel文件規(guī)格不盡相同，且超巨pdf不便擴(kuò)散，所以最好是一下子over。

二、任務(wù)分解

1、根據(jù)標(biāo)識(shí)號(hào)拆分超巨pdf。這一步可以在python里用PyPDF2包完成。

2、規(guī)范Excel格式和內(nèi)容。這一步在Excel里面用排序、函數(shù)和VBA足夠，之后導(dǎo)出為csv，便于最終Delphi處理它們。

3、根據(jù)標(biāo)識(shí)和名稱(chēng)對(duì)應(yīng)并拼接資料，按標(biāo)識(shí)生成單個(gè)pdf文件。由于所有資料都沒(méi)有放置在數(shù)據(jù)庫(kù)里，因此統(tǒng)一按字段當(dāng)成格式文本來(lái)搜索是否有匹配。無(wú)匹配時(shí)，再巡回一次，避免標(biāo)識(shí)不在指定的位置上。

三、功能片斷

1、拆分超巨pdf。

部分代碼：

'''

分拆一個(gè)多頁(yè)大pdf文件為指定頁(yè)數(shù)的小pdf子文件

以下代碼在py3Anaconda 4.3.30、pypdf2-1.26.0

生成的子文件保存在本腳本文件所在的目錄下

'''

from PyPDF2 import PdfFileReader, PdfFileWriter

def pdf_splitter(path,start,end):

    pdf = PdfFileReader(path)

    pdf_writer =PdfFileWriter()

    output_filename ='page_{}.pdf'.format(end+300)

    for page inrange(start,end):      

       pdf_writer.addPage(pdf.getPage(page))

        print(page)

    withopen(output_filename,'wb') as out:

        pdf_writer.write(out)

       print('Created:{}'.format(output_filename))

path = 'F:/a/301368.pdf'

pageNum=68#文件的尾頁(yè)頁(yè)數(shù)

for i in range(pageNum):

    pdf_splitter(path,i,i+1)

2、pdf能否正常被搜索。若能，pyPDF2可通過(guò)PdfFileReader正常導(dǎo)出文本，否則可以OCR，或者pdf轉(zhuǎn)word，再?gòu)?/span>word轉(zhuǎn)到txt，進(jìn)入Delphi查詢(xún)。

from PyPDF2 import PdfFileReader

filename = 'F:/a/PT/page_2.pdf'

pdf = PdfFileReader(open(filename, "rb"))

pageNum=pdf.getNumPages()

text=''

for i in range(0, pageNum):

   text+=pdf.getPage(i).extractText()

print(text)

3、Excel重復(fù)行、重復(fù)列的判斷。排序，上或下錯(cuò)開(kāi)1行，或錯(cuò)開(kāi)1列，if。略。

4、Delphi拼接每筆資料，并生成pdf文件。

先python生成pdf文件，留出來(lái)標(biāo)識(shí)，Delphi通過(guò)標(biāo)識(shí)，讀取csv，重命名文件。

uses FileCtrl;

procedure TForm1.Button1Click(Sender: TObject);

var

  txtFile: TextFile;

  s: string;

begin

  AssignFile(txtFile, 'F:\a\XLS_idname.txt');

  Reset(txtFile);

  while not eof(txtFile) do

  begin

    readln(txtFile, s); //讀取一行保存到字符串s中

    //if pos('標(biāo)識(shí)號(hào)',s)<>0then

    Memo1.Lines.Add(s); //在Memo1中顯示

  end;

end;

procedure TForm1.Button2Click(Sender: TObject);

begin

  FileListBox1.Directory :='F:\a\b';

end;

procedure TForm1.Button3Click(Sender: TObject);

var

  myf, Newf: string;

  i, j: integer;

begin

  //重命名開(kāi)始

  for i := 0 toFileListBox1.Items.Count - 1 do

  begin

    myf :=FileListBox1.Items[i];

    //找組名和名稱(chēng)

    for j := 0 tomemo1.Lines.Count - 1 do

    begin

      if pos(LeftStr(myf, 8),memo1.Lines[j]) <> 0 then

        break;

    end;

    Newf :=StringReplace(memo1.Lines[j], ',', '-', [rfReplaceAll]);

    ReNameFile('F:\a\b\' +myf, 'F:\a\c\' + Newf + '.pdf');

    sleep(50);//給點(diǎn)兒寫(xiě)磁盤(pán)時(shí)間

  end;

  showmessage('OK!');

end;

四、幾點(diǎn)討論

1、非圖片版的pdf就一定能提取其中的文本嗎？感覺(jué)是不一定！盡管中英文各種網(wǎng)絡(luò)中介紹各種方法處理pdf的文字提取問(wèn)題，但是，確實(shí)是碰到了提取不了的情況。提取出來(lái)的文字，不是特殊編碼，也并非全是亂碼，查詢(xún)N久，沒(méi)解決，挺困惑。

2、不是一定圖片版的pdf才需要OCR，這個(gè)不用解釋了。

3、為什么不用python一擼到底？在python語(yǔ)言大行其道的今天，python幾乎無(wú)所不能了，但還存在一個(gè)熟悉程度的問(wèn)題。Delphi太熟悉了，同等工作量，當(dāng)然熟悉的工具最快了。而且，python寫(xiě)GUI在一個(gè)老Delphier面前，弱爆了。