You need to enable JavaScript to run this app. 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
优惠活动
大模型
产品
解决方案
定价
更多

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
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.11.07 21:45:08