python学习笔记之word文档提取

"""
# !/usr/bin/env python
# -*- coding:utf-8 -*-
# @Author  : 史沐凡
# @file    :  pdf____张坤_文档转换工具.py
# @Time    : 2022/7/24 22:21
# @Function:
"""
# 读取docx中的文本代码示例
import glob
import os
import re
from openpyxl import Workbook  # 写入的时候用
import pdfplumber


def getfields(filepath):
    '''
    直接读取pdf,获取所需要的字段
    患者姓名	标识号	出生日期	性别	保险集团	胶囊标识号	操作日期	转诊医生	登记者	预约者
    	转诊原因	体重	身高	腰围	体型	通过胃部的时间	通过小肠的时间	操作信息与发现	摘要与建议
    :return:list
    '''
    print(filepath)
    患者姓名 = ""
    标识号 = ""
    出生日期 = ""
    性别 = ""
    保险集团 = ""
    胶囊标识号 = ""
    操作日期 = ""
    转诊医生 = ""
    登记者 = ""
    预约者 = ""
    转诊原因 = ""
    体重 = ""
    身高 = ""
    腰围 = ""
    体型 = ""
    通过胃部的时间 = ""
    通过小肠的时间 = ""
    操作信息与发现 = ""
    摘要 = ""
    建议 = ""
    fields = ['患者姓名',
              '标识号',
              '出生日期',
              '性别',
              '保险集团',
              '胶囊标识号',
              '操作日期',
              '转诊医生',
              '登记者',
              '预约者',
              '转诊原因',
              '体重',
              '身高',
              '腰围',
              '体型',
              '通过胃部的时间',
              '通过小肠的时间',
              '操作信息与发现',
              '摘要',
              '建议']
    nr = ""
    with pdfplumber.open(filepath) as pdf:
        for page in pdf.pages:  # 遍历所有页码
            text = page.extract_text()  # 提取文本
            nr=nr+text
    nr = nr.strip()
    print(nr)
    res = re.search(r"患者姓名 (.*)", nr, 0)
    if res: 患者姓名 = res.group(1).strip()
    res = re.search(r"标识号 (.*)", nr, 0)
    if res: 标识号 = res.group(1).strip()
    res = re.search(r"出生日期 (.*)", nr, 0)
    if res: 出生日期 = res.group(1).strip()
    res = re.search(r"性别 (.*)性", nr, 0)
    if res: 性别 = res.group(1).strip()
    res = re.search(r"保险集团 (.*)", nr, 0)
    if res: 保险集团 = res.group(1).strip()
    res = re.search(r"胶囊标识号 (.*)", nr, 0)
    if res: 胶囊标识号 = res.group(1).strip()
    res = re.search(r"操作日期 (.*)", nr, 0)
    if res: 操作日期 = res.group(1).strip()
    res = re.search(r"转诊医生 (.*)", nr, 0)
    if res: 转诊医生 = res.group(1).strip()
    res = re.search(r"登记者 (.*)", nr, 0)
    if res: 登记者 = res.group(1).strip()
    res = re.search(r"预约者 (.*)", nr, 0)
    if res: 预约者 = res.group(1).strip()
    res = re.search(r"转诊原因(.*)患者数据", nr, re.DOTALL)
    if res:
        转诊原因 = res.group(1).strip()
    res = re.search(r"体重 ?:(\d*) ?kg", nr, 0)
    if res: 体重 = res.group(1).strip()
    res = re.search(r"身高 ?:(\d*) ?cm", nr, 0)
    if res: 身高 = res.group(1).strip()
    res = re.search(r"腰围 ?:(\d*) ?cm", nr, 0)
    if res: 腰围 = res.group(1).strip()
    res = re.search(r"体型 ?:(.{1,3}),", nr, 0)
    if res: 体型 = res.group(1).strip().strip()
    res = re.search(r"通过胃部的时间 ?:(.*),", nr, 0)
    if res: 通过胃部的时间 = res.group(1).strip()
    res = re.search(r"通过小肠的时间 ?:(.*)", nr, 0)
    if res: 通过小肠的时间 = res.group(1).strip()
    res = re.search(r"操作信息与发现(.*)摘要与建议", nr, re.DOTALL)
    if res:
        操作信息与发现 = res.group(1).strip()
        操作信息与发现 = 操作信息与发现.replace(" ", "")
        ls = 操作信息与发现.split("\n")
        操作信息与发现 = ";".join(ls).strip()
    res = re.search(r"摘要与建议(.*)建议:", nr, re.DOTALL)
    if res:
        摘要 = res.group(1).strip()
        摘要 = 摘要.replace(" ", "")
        ls = 摘要.split("\n")
        摘要 = ";".join(ls).strip()
    res = re.search(r"建议:(.*)签名", nr, re.DOTALL)
    if res:
        建议 = res.group(1).strip()
        建议 = 建议.replace(" ", "")
        ls = 建议.split("\n")
        建议 = ";".join(ls).strip()
    print("*" * 88)
    ls = [患者姓名, 标识号, 出生日期, 性别,
          保险集团, 胶囊标识号, 操作日期, 转诊医生,
          登记者, 预约者, 转诊原因, 体重,
          身高, 腰围, 体型, 通过胃部的时间,
          通过小肠的时间, 操作信息与发现, 摘要,建议]
    print(ls)
    if (all(ls)):
        return ls
    else:
        return ls


if __name__ == '__main__':
    fields = ['患者姓名', '标识号', '出生日期', '性别', '保险集团', '胶囊标识号', '操作日期', '转诊医生', '登记者', '预约者', '转诊原因',
              '体重', '身高', '腰围',
              '体型', '通过胃部的时间', '通过小肠的时间', '操作信息与发现', '摘要','建议']
    print(fields)
    root = os.getcwd()
    ls = glob.glob("pdf报告\*.pdf")
    big_ls = []
    for i in ls:
        i=os.path.join(os.getcwd(),i)
        ls = getfields(i)
        big_ls.append(ls)
    for i in big_ls: print(i)
    wb = Workbook()
    ws = wb.active
    ws.append(fields)
    for i in big_ls:
        ws.append(i)
    wb.save(r'pdf报告/pdf转换表格.xlsx')
    exit(0)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158