提取pdf图档中的物料编码

一、摘要

在这里插入图片描述

图1 图档示例

本篇代码目的是从指定文件夹下的PDF文件中提取物料编码等相关信息，并将这些信息存储在列表中输出。这段代码主要实现了以下功能：

定义一个file_name函数，用于获取指定文件夹下所有文件的完整路径。通过遍历文件夹和子文件夹，将每个文件的路径添加到列表中并返回。
定义一个Extract_material_code函数，用于从PDF文件中提取物料编码、零件名称和材料名称。该函数首先获取PDF文件的文件名，然后读取PDF文档中的文本内容。接着，使用正则表达式从文本中匹配物料编码和材料名称，并返回零件名称、物料编码和材料名称的元组。如果匹配失败，则返回零件名称和两个空字符串。
在主程序中，首先定义一个空列表information_list用于存储提取的信息。然后，调用file_name函数获取指定文件夹下所有文件的路径列表。接着，遍历路径列表，筛选出PDF文件，并调用Extract_material_code函数提取每个PDF文件的物料编码等信息，将结果添加到information_list中。最后，打印出information_list的内容。

二、架构流程

导入所需的模块: 虽然代码中没有明确地导入，但该脚本需要 os, fitz, 和 re 模块。os 用于文件和目录操作，fitz 用于处理 PDF 文件，而 re 用于正则表达式匹配。
定义 file_name 函数: 该函数接受一个文件夹路径作为参数，并返回该文件夹及其所有子文件夹中所有文件的路径列表。它使用 os.walk 遍历给定目录及其所有子目录，并收集每个子目录中的文件路径。
定义 Extract_material_code 函数: 这个函数接受一个 PDF 文件的路径作为参数，并尝试从中提取物料编码和材料名称。它首先从文件名中提取零件名称，然后打开 PDF 文件并提取所有文本。接着，它使用正则表达式查找特定的文本模式以提取物料编码和材料名称。如果找不到这些信息，则返回空字符串。
主执行部分:
- 首先，创建一个空列表 information_list，用于存储从每个 PDF 文件中提取的信息。
- 然后，调用 file_name 函数来获取指定文件夹中所有文件的路径列表。
- 对于 archives_path_list 中的每个文件路径，调用 Extract_material_code 函数以提取信息。提取的信息（零件名称、物料编码、材料名称）被添加到 information_list 中。
- 最后，打印 information_list，该列表现在包含从所有 PDF 文件中提取的信息。

这个脚本的主要目的是从特定文件夹中的所有 PDF 文件中提取物料编码和材料名称，并将这些信息以列表的形式输出。

三、完整代码

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time : 2023-08-26 16:51
# @Author : Leuanghing Chen
# @File : 提取pdf图档物料编码.py
# @Software : PyCharm

import fitz   # pip install PyMuPDF
import re
import os


# 获取当前文件夹下所有文件名
def file_name(file_dir):
    #   print(root) # 当前目录路径
    #   print(dirs) # 当前路径下所有子目录
    #   print(files) # 当前路径下所有非目录子文件
    path_list = []
    for root, dirs, files in os.walk(file_dir):
        for i in range(len(files)):
            path = root + '\\' + files[i]
            path_list.append(path)
    return path_list


# 提取pdf图档上的物料编码
def Extract_material_code(pdf_path):
    # 获取零件名称
    filename = pdf_path.split('\\')[-1]
    part_name = filename.replace('.pdf', '')

    text = ""
    pdf_document = fitz.open(pdf_path)
    # 提取pdf文字
    for page_num in range(pdf_document.page_count):
        text += pdf_document[page_num].get_text()

    try:
        # 物料编码
        regex_material_code = r'物料编码：(.*?)\n'
        material_code = re.findall(regex_material_code, text, re.S)[0]
        # 材料
        regex_material_name = r'.*:.*\n(.*?)\n共.*张 第.*张'
        material_name = re.findall(regex_material_name, text, re.S)[0]

        return part_name, material_code, material_name

    except IndexError:
        return part_name, "", ""        # 对齐格式



if __name__ == '__main__':
    information_list = []

    archives_path_list = file_name(r'D:\python_demo\读取pdf文件\temp')   # 读取文件夹中的所有文件

    for archives_path in archives_path_list:
    	# 筛选pdf文件
	    if archives_path.split(".")[-1].lower() == 'pdf':
	        code_name_list = Extract_material_code(archives_path)
	        information_list.append(code_name_list)

    print(information_list)