如何使用pdfplumber编写for循环提取PDF数据并解决TypeError报错

你的核心问题是遍历每行的字符串变量line被反复覆盖为正则匹配结果（re.Match对象或者None），后续正则调用search()时传入的不再是字符串，直接触发类型错误。
同时还有几个影响功能的问题：

• 正则规则写死了空格长度，PDF提取文本的空格数量不固定，会导致匹配失败
• 语言行正则漏写了开头的E，无法正确匹配
• 数字匹配规则只适配固定位数，无法适配你样例里的数字格式
• 变量未提前初始化，未匹配到对应行时会报变量未定义
• 每遍历一行就往line_items追加数据，会生成大量无效重复条目

import re
import pdfplumber 
import pandas as pd
from collections import namedtuple 

# 定义输出结构
Serv = namedtuple('Serv', 'case_number language num_trans num_fuzzy num_exact')
line_items = []

# 优化后的正则规则，用\s+匹配任意数量空白，适配数字格式
case_li = re.compile(r'(\d{6}\w{2}\d{2})')
language_li = re.compile(r'English \(US\) into (.*)')
trans_li = re.compile(r'Trans\./Edit/Proof\.\s+([\d.,]+)\s+Words')
fuzzy_li = re.compile(r'TM - Fuzzy Match\s+([\d.,]+)\s+Words')
exact_li = re.compile(r'TM - Exact Match\s+([\d.,]+)\s+Words')

with pdfplumber.open('test.pdf') as pdf:
    for page in pdf.pages:
        text = page.extract_text()
        # 每页初始化变量，避免跨页串数据，单份数据跨多页可将这行移到页循环外
        case_number = language = num_trans = num_fuzzy = num_exact = None
        for line in text.split('\n'):
            # 不要覆盖原line变量，单独用match变量存结果
            match = case_li.search(line)
            if match:
                case_number = match.group(1)
            match = language_li.search(line)
            if match:
                language = match.group(1)
            match = trans_li.search(line)
            if match:
                num_trans = match.group(1)
            match = fuzzy_li.search(line)
            if match:
                num_fuzzy = match.group(1)
            match = exact_li.search(line)
            if match:
                num_exact = match.group(1)
        # 单页所有行匹配完后再追加有效条目
        if any([case_number, language, num_trans, num_fuzzy, num_exact]):
            line_items.append(Serv(case_number, language, num_trans, num_fuzzy, num_exact))

# 生成DataFrame
df = pd.DataFrame(line_items)
print(df)

如果需要把提取到的数字字符串转为数值格式，只需要加一步把数字里的逗号替换为小数点，再转float类型即可。

内容的提问来源于stack exchange，提问作者Edo Grm