PowerShell实现PDF提取文本转标准CSV格式技术求助

问题背景 #

银行账单仅支持PDF导出，财务软件需要CSV格式数据，出于安全考虑不使用云转换服务，通过PowerShell处理从PDF复制提取的文本：

1. 已过滤无关行，得到垂直格式文本，示例如下：

Date,
Description,
Money out,
Money in,
Borrowings,
01 Feb 2024,
CDN Bank 1,
1601.87,
3490.43 CR,
...

2. 期望转换为标准CSV格式（每行以日期开头）：

"Date","Description","Money out","Money in","Borrowings"
"01 Feb 2024","CDN Bank 1","1601.87","3490.43 CR"
...

3. 现有合并行代码报错：Exception calling "Substring" with "2" argument(s): "Index and length must refer to a location within the string."，且输出不符合预期，错误输出示例：

Description,Money out,Money in,Borrowings,01 Feb 2024,CDN Bank 1,1601.87,3490.43 CR,01 Feb 2024,Life Ins,372.23,3118.20 CR,...

错误原因 #

1. Substring越界错误：代码中用$fields[0].Substring(0,5)判断日期，但表头行（如Date,）的字段长度不足5，执行Substring时触发索引越界。
2. 合并逻辑错误：日期判断逻辑不准确，且未区分表头和数据行，导致表头被混入数据行，最终输出所有内容连成一串。

解决方案 #

步骤1：优化过滤代码 #

先确保过滤后的文本保留正确的表头和数据行，去掉多余逗号：

$inputFile = "C:\Users\J\Downloads\input\VerticalFile.txt"
$outputFile = "C:\Users\J\Downloads\Output\FilteredFile.txt"

# 读取文件并处理：移除行首行尾的逗号，过滤指定关键词行
$lines = Get-Content $inputFile | ForEach-Object {
    # 移除字符串两端的逗号和空白字符
    $trimmed = $_.Trim().Trim(',')
    # 仅保留非空且不匹配过滤关键词的行
    if ($trimmed -and $trimmed -notmatch 'James|CDNBnk|number|continued') {
        $trimmed
    }
}

# 写入过滤后的文件
$lines | Set-Content -Path $outputFile
Write-Host "过滤完成，输出文件：$outputFile"

步骤2：正确合并行并生成CSV #

基于过滤后的文件，按每5行一组（表头+每组数据各5项）合并为CSV行：

$filteredFile = "C:\Users\J\Downloads\Output\FilteredFile.txt"
$csvOutputFile = "C:\Users\J\Downloads\Output\FinalBill.csv"

# 读取过滤后的所有行
$allLines = Get-Content $filteredFile

# 提取表头（前5行）并格式化为带引号的CSV表头
$header = $allLines[0..4] | ForEach-Object { "`"$_`"" } -join ','

# 处理数据行：从第6行开始，每5行组成一条CSV记录
$dataRows = for ($i = 5; $i -lt $allLines.Count; $i += 5) {
    # 取当前组的5行（如果剩余不足5行则取全部）
    $group = $allLines[$i..($i+4)] | Where-Object { $_ }
    # 格式化为带引号的字段并拼接成一行
    $group | ForEach-Object { "`"$_`"" } -join ','
}

# 合并表头和数据行，写入CSV文件
@($header) + $dataRows | Set-Content -Path $csvOutputFile -Encoding UTF8
Write-Host "CSV生成完成，输出文件：$csvOutputFile"

代码说明 #

1. 过滤代码：移除多余逗号和空白，仅保留有效行，避免后续合并时出现空字段。
2. 合并代码：
   • 直接提取前5行作为表头，避免判断逻辑出错。
   • 从第6行开始按每5行一组拆分，对应CSV的每一条记录。
   • 给每个字段添加双引号，符合标准CSV格式要求。

内容的提问来源于stack exchange，提问作者Jimf2