File size: 9,489 Bytes
e45316c
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
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
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
import os
import glob
import logging
import pandas as pd
from tqdm import tqdm
from typing import List, Dict, Optional
from pathlib import Path
import pdfplumber


# 工业级PDF批量处理器, 生产一线级别的代码
class PDFBatchProcessor:
    def __init__(self, output_dir: str = "./output"):
        self.output_dir = Path(output_dir)
        self.output_dir.mkdir(exist_ok=True)

        # 配置日志系统
        logging.basicConfig(
            level=logging.INFO,
            format='%(asctime)s - %(levelname)s - %(message)s',
            handlers=[
                logging.FileHandler(self.output_dir / "pdf_processing.log"),
                logging.StreamHandler()
            ]
        )
        self.logger = logging.getLogger(__name__)

    # 查找指定路径下的所有PDF文件
    def find_pdf_files(self, input_path: str) -> List[Path]:
        path = Path(input_path)
        if path.is_file() and path.suffix.lower() == '.pdf':
            return [path]
        elif path.is_dir():
            # 递归查找所有PDF文件
            pdf_files = list(path.glob("**/*.pdf"))
            self.logger.info(f"在 {input_path} 中找到 {len(pdf_files)} 个PDF文件")
            return pdf_files
        else:
            raise ValueError(f"路径不存在,或不是PDF文件: {input_path}")

    # 提取单个PDF文件的内容
    def extract_pdf_content(self,
                            pdf_path: Path,
                            extract_text: bool = True,
                            extract_tables: bool = True,
                            table_settings: Optional[dict] = None) -> Dict:
        """
        Args:
            pdf_path: PDF文件路径
            extract_text: 是否提取文本
            extract_tables: 是否提取表格
            table_settings: 表格提取配置
        """
        result = {
            "file_name": pdf_path.name,
            "file_path": str(pdf_path),
            "metadata": {},
            "pages": [],
            "error": None
        }

        try:
            with pdfplumber.open(pdf_path) as pdf:
                # 提取元数据
                result["metadata"] = pdf.metadata

                for page_num, page in enumerate(pdf.pages, 1):
                    page_result = {"page_number": page_num, "text": "", "tables": []}

                    # 提取文本
                    if extract_text:
                        try:
                            # 布局模式根据需求调整
                            text = page.extract_text(layout=False)
                            page_result["text"] = text if text else ""
                        except Exception as e:
                            self.logger.warning(f"页面 {page_num} 文本提取失败: {str(e)}")
                            pass

                    # 提取表格
                    if extract_tables:
                        try:
                            tables = page.extract_tables(table_settings or {})
                            if tables:
                                page_result["tables"] = tables
                        except Exception as e:
                            self.logger.warning(f"页面 {page_num} 表格提取失败: {str(e)}")
                            pass

                    # 添加当前页面page的提取结果
                    result["pages"].append(page_result)

                # 单一PDF文档提取完毕后, 写日志处理
                self.logger.info(f"成功处理: {pdf_path.name} - {len(pdf.pages)} 页")

        # 单一PDF文档提取失败后, 写日志处理
        except Exception as e:
            # 明确记录一下哪篇PDF文档处理失败, 并记录失败原因, 便于后续回溯与 "bad case分析"
            error_msg = f"处理文件失败 {pdf_path}: {str(e)}"
            result["error"] = error_msg
            self.logger.error(error_msg)

        return result

    # 批量处理PDF文件
    def process_batch(self, pdf_files: List[Path],
                      save_format: str = "excel",
                      **extract_kwargs) -> pd.DataFrame:
        """
        Args:
            pdf_files: PDF文件列表
            save_format: 保存格式 (excel, csv, parquet)
            **extract_kwargs: 提取参数
        """
        all_results = []

        for i, pdf_file in tqdm(enumerate(pdf_files, 1)):
            self.logger.info(f"处理进度: {i}/{len(pdf_files)} - {pdf_file.name}")

            result = self.extract_pdf_content(pdf_file, **extract_kwargs)
            all_results.append(result)

            # 实时保存进度 (针对大批量处理)
            if i % 10 == 0:
                self._save_intermediate_results(all_results, f"batch_{i}")

        # 保存最终结果
        return self._save_results(all_results, save_format)

    # 保存处理结果
    def _save_results(self, results: List[Dict], format: str) -> pd.DataFrame:
        # 扁平化结果, 以便保存
        flat_data = []

        for result in results:
            if result["error"]:
                flat_data.append(
                    {
                        "file_name": result["file_name"],
                        "status": "Error",
                        "error_message": result["error"],
                        "page_count": 0,
                        "text_length": 0,
                        "table_count": 0
                    }
                )
                continue

            total_text = ""
            total_tables = 0

            for page in result["pages"]:
                total_text += page["text"]
                total_tables += len(page["tables"])

            flat_data.append({
                "file_name": result["file_name"],
                "status": "Success",
                "error_message": "",
                "page_count": len(result["pages"]),
                "text_length": len(total_text),
                "table_count": total_tables,
                "author": result["metadata"].get("Author", ""),
                "creation_date": result["metadata"].get("CreationDate", "")
            })

        # for循环处理完毕后, 所有数据封装成 Pandas 的 DataFrame 格式
        df = pd.DataFrame(flat_data)

        # 根据格式保存
        if format.lower() == "excel":
            df.to_excel(self.output_dir / "pdf_extraction_summary.xlsx", index=False)

            # 同时保存详细文本内容
            detailed_results = []
            for result in results:
                if not result["error"]:
                    for page in result["pages"]:
                        if page["text"]:
                            detailed_results.append({
                                "file_name": result["file_name"],
                                "page_number": page["page_number"],
                                "text_content": page["text"]
                            })

            if detailed_results:
                pd.DataFrame(detailed_results).to_excel(
                    self.output_dir / "pdf_detailed_text.xlsx", index=False
                )

        elif format.lower() == "csv":
            df.to_csv(self.output_dir / "pdf_extraction_summary.csv", index=False)

        self.logger.info(f"结果已保存到 {self.output_dir}")
        return df

    # 保存中间结果 (工业界一线生产环境, 异常因素很多, 防止处理中断丢失数据)
    def _save_intermediate_results(self, results: List[Dict], batch_name: str):
        try:
            temp_df = pd.DataFrame([{
                "file_name": r["file_name"],
                "status": "Error" if r["error"] else "Success",
                "pages_processed": len(r["pages"])
            } for r in results])

            temp_df.to_csv(self.output_dir / f"progress_{batch_name}.csv", index=False)
        except Exception as e:
            self.logger.warning(f"保存中间结果失败: {str(e)}")


# 高级表格提取配置
ADVANCED_TABLE_SETTINGS = {
    "vertical_strategy": "lines",
    "horizontal_strategy": "lines",
    "snap_tolerance": 4,
    "join_tolerance": 10,
    "edge_min_length": 3,
    "min_words_vertical": 2,
    "min_words_horizontal": 1
}


def main():
    # 实例化PDF处理器对象
    processor = PDFBatchProcessor(output_dir="./pdf_output")

    try:
        # 查找PDF文件
        pdf_files = processor.find_pdf_files("./pdf_documents")

        if not pdf_files:
            processor.logger.warning("未找到PDF文件")
            return

        # 批量处理
        results_df = processor.process_batch(
            pdf_files,
            save_format="excel",
            extract_text=True,
            extract_tables=True,
            table_settings=ADVANCED_TABLE_SETTINGS
        )

        # 打印摘要统计
        success_count = len(results_df[results_df["status"] == "Success"])
        processor.logger.info(f"处理完成: {success_count}/{len(pdf_files)} 个文件成功")

        if success_count > 0:
            avg_text_length = results_df[results_df["status"] == "Success"]["text_length"].mean()
            avg_tables = results_df[results_df["status"] == "Success"]["table_count"].mean()
            processor.logger.info(f"平均每文件: {avg_text_length:.0f} 字符, {avg_tables:.1f} 个表格")

    # 处理过程中发生错误, 记录日志
    except Exception as e:
        processor.logger.error(f"处理过程发生错误: {str(e)}")


if __name__ == "__main__":
    main()