使用Tika解析PDF后按指定起止标记提取区间表格数据的方法咨询

报错原因说明 #

你调用next()报错是因为pdf_parser.split('\n')返回的是列表对象，不是迭代器，需要先调用iter()方法将列表转为迭代器才能使用next()。

推荐实现方案（状态标记法，逻辑简单易调试） #

该方案通过开关标记判断当前是否处于需要提取的内容区间，无需操作迭代器，适配性更强：

# 初始化存储容器与状态标记
orders_table = []
transactions_table = []
in_orders = False
in_transactions = False

# 遍历所有行，先去除首尾空白避免匹配失败
for line in pdf_parser.split('\n'):
    stripped_line = line.strip()
    # 匹配Orders标题，开启提取标记
    if stripped_line == 'Orders':
        in_orders = True
        continue
    # 匹配Orders终止行，关闭提取标记
    if in_orders:
        if stripped_line.startswith('total orders'):
            in_orders = False
            continue
        # 非空行存入结果，可自行去掉该判断保留空行
        if stripped_line:
            orders_table.append(line)
    
    # 匹配Transactions标题，开启提取标记
    if stripped_line == 'Transactions':
        in_transactions = True
        continue
    # 匹配Transactions终止行，关闭提取标记
    if in_transactions:
        if stripped_line == 'end - of - transaction':
            in_transactions = False
            continue
        if stripped_line:
            transactions_table.append(line)

# 打印结果验证
print("Orders表格内容：", orders_table)
print("Transactions表格内容：", transactions_table)

迭代器实现方案（适配你想用next()的场景） #

如果你更习惯用迭代器写法，可以参考以下代码：

# 先将拆分后的列表转为迭代器
lines = iter(pdf_parser.split('\n'))
orders_table = []
transactions_table = []

for line in lines:
    stripped_line = line.strip()
    # 提取Orders区间内容
    if stripped_line == 'Orders':
        while True:
            current_line = next(lines)
            current_stripped = current_line.strip()
            if current_stripped.startswith('total orders'):
                break
            if current_stripped:
                orders_table.append(current_line)
    # 提取Transactions区间内容
    if stripped_line == 'Transactions':
        while True:
            current_line = next(lines)
            current_stripped = current_line.strip()
            if current_stripped == 'end - of - transaction':
                break
            if current_stripped:
                transactions_table.append(current_line)

注意事项：如果PDF解析出来的标题前后可能带其他字符，可以将匹配条件调整为'Orders' in stripped_line或者用正则表达式匹配，提升容错性。

内容的提问来源于stack exchange，提问作者Herc01