【原】一周的工作1天干完/python+Delphi自动化记录

刚刚结束的一个事情，仅限于完成了任务。

一、任务描述

有一个超巨型的资料性的文件，是网页上查询之后的结果，有几百页、几百笔资料，需要把里面的资料一条一条的列在一个单独立的文件里面，并且，文件用“组序号-标识-名称.pdf”来命名。

组序号由另一份Excel文件给出，每组之中有标识和名称域与超巨pdf中的相应域对应。

难点：

1、不能手工操作。不易一一对应，且不产生马虎和疏忽的错误。

2、没有长期时间。大致实测，一笔资料从信息提取、标识对应、生成新文件、按规则命名大约3分钟左右时间，1000笔资料大约50小时，每天8小时不动，大约6天，一周。一周下来，估计人也就废了。我相信这事儿没有两周干不下来。

3、不易协同作业。Excel文件规格不尽相同，且超巨pdf不便扩散，所以最好是一下子over。

二、任务分解

1、根据标识号拆分超巨pdf。这一步可以在python里用PyPDF2包完成。

2、规范Excel格式和内容。这一步在Excel里面用排序、函数和VBA足够，之后导出为csv，便于最终Delphi处理它们。

3、根据标识和名称对应并拼接资料，按标识生成单个pdf文件。由于所有资料都没有放置在数据库里，因此统一按字段当成格式文本来搜索是否有匹配。无匹配时，再巡回一次，避免标识不在指定的位置上。

三、功能片断

1、拆分超巨pdf。

部分代码：

'''

分拆一个多页大pdf文件为指定页数的小pdf子文件

以下代码在py3Anaconda 4.3.30、pypdf2-1.26.0

生成的子文件保存在本脚本文件所在的目录下

'''

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#文件的尾页页数

for i in range(pageNum):

    pdf_splitter(path,i,i+1)

2、pdf能否正常被搜索。若能，pyPDF2可通过PdfFileReader正常导出文本，否则可以OCR，或者pdf转word，再从word转到txt，进入Delphi查询。

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重复行、重复列的判断。排序，上或下错开1行，或错开1列，if。略。

4、Delphi拼接每笔资料，并生成pdf文件。

先python生成pdf文件，留出来标识，Delphi通过标识，读取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); //读取一行保存到字符串s中

    //if pos('标识号',s)<>0then

    Memo1.Lines.Add(s); //在Memo1中显示

  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

  //重命名开始

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

  begin

    myf :=FileListBox1.Items[i];

    //找组名和名称

    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);//给点儿写磁盘时间

  end;

  showmessage('OK!');

end;

四、几点讨论

1、非图片版的pdf就一定能提取其中的文本吗？感觉是不一定！尽管中英文各种网络中介绍各种方法处理pdf的文字提取问题，但是，确实是碰到了提取不了的情况。提取出来的文字，不是特殊编码，也并非全是乱码，查询N久，没解决，挺困惑。

2、不是一定图片版的pdf才需要OCR，这个不用解释了。

3、为什么不用python一撸到底？在python语言大行其道的今天，python几乎无所不能了，但还存在一个熟悉程度的问题。Delphi太熟悉了，同等工作量，当然熟悉的工具最快了。而且，python写GUI在一个老Delphier面前，弱爆了。