带正则功能的Python条件语句实现:pdfplumber遍历PDF未匹配返回None问题
问题核心原因
- 循环粒度错位:你之前把匹配判断嵌套在逐行读取文本的内层循环里,相当于对页面拆分出的每一行普通内容都做一次匹配校验,匹配不上就给该行标记None,自然会生成大量无意义的None条目,完全偏离了“以单个PDF页面为单位判断是否存在目标行”的需求。
- 逻辑顺序偏差:你需要的判断逻辑是先把整页的所有文本行扫完,确认整页范围内有没有符合规则的目标内容,再决定存什么值——而不是每读一行就立刻根据这行的匹配结果往最终列表里加东西。
- 代码存在语法疏漏:原代码中
files.endwith(".pdf")的方法拼写错误,Python对应字符串判断后缀的方法是endswith,缺少末尾的s会直接触发属性报错。
修正方案
修正后的完整可运行代码如下:
import os import re import pdfplumber # 正则规则优化:去掉冗余的分组嵌套,匹配精度不变 sqft_re = re.compile(r'(\d+sqft\s+\$\d+\.\d+\s+\d{2}/\d{2})') lines = [] pdf_dir = "替换为你的PDF文件所在目录的绝对/相对路径" for fname in os.listdir(pdf_dir): # 跳过非PDF文件 if not fname.endswith(".pdf"): continue # 拼接完整文件路径,避免相对路径导致的打开失败 full_path = os.path.join(pdf_dir, fname) with pdfplumber.open(full_path) as pdf: for page in pdf.pages: # 处理空白页文本提取返回None的边界情况 page_text = page.extract_text() or "" # 单页维度的临时存储:收集当前页所有匹配到的目标行 page_matches = [] for line in page_text.split("\n"): res = sqft_re.search(line) if res: page_matches.append(res.group(1)) # 整页扫描完成后,根据匹配结果决定存入列表的内容 if page_matches: # 单页有多条匹配时全部存入;仅需第一条的话替换为 lines.append(page_matches[0]) lines.extend(page_matches) else: lines.append("None")
调整点说明
- 层级重构:逐行遍历的所有操作,先在单页的临时列表
page_matches里完成,等整页所有行都扫描完毕后,再统一判断当前页有没有匹配结果,从根源上消除逐行生成None的冗余问题。 - 边界兼容:对提取不到文本的空白页做空值兜底,避免代码运行中途崩溃;补全文件路径拼接逻辑,避免
os.listdir返回的文件名因工作目录问题打不开。 - 逻辑对齐R使用习惯:这种“先遍历收集、循环外判断赋值”的结构,和R语言中按对象维度做判断的常用逻辑一致,不存在Python语法的理解门槛。
- 规则兼容:如果业务要求单页只保留第一条匹配到的内容,只需要把
lines.extend(page_matches)修改为lines.append(page_matches[0])即可,完全匹配你描述的预期输出效果。
内容的提问来源于stack exchange,提问作者vfe750
相关产品推荐
相关产品推荐

