Столкновение с неправильным форматом при извлечении данных из счета-фактуры в формате PDF для передачи в файл Excel ⇐ Python

[Anonymous]

У меня есть несколько страниц счетов-фактур в формате PDF нестандартного формата. Взамен мне нужен файл Excel с данными, извлеченными из файлов PDF. Для этого я пишу код с библиотекой водопроводчика PDF на Python, но могу правильно использовать регулярное выражение для чтения и извлечения данных. Это связано с неправильным форматом.
Я хочу имя_области, дату, транзакцию, № товара, описание, упаковку, ставку, количество, бонус, валовую сумму, скидку, продажи, чистую сумму налога. все эти столбцы в Excel с пропущенными значениями равны нулю. Изображение Excel прилагается для обзора. Введите описание изображения здесь, это файл https://github.com/HananWali/Ak-pharma.git
import re
import requests
import pdfplumber
import pandas as pd
from collections import namedtuple
with pdfplumber.open('AK PHARMA (1).pdf') as pdf:
page = pdf.pages[19]
text = page.extract_text()
Inv = namedtuple('Inv', 'area_name date_p Tran prd_inv prd_des pack rate QTY Bonus Gross Dis Net_Am')
#new_vend_re = re.compile(r'(\b[A-Z]\d{1} [A-Z].*)')
#new_vend_re = re.compile(r'([A-Za-z0-9\s]+)')
#new_vend_re = re.compile(r'[A-Za-z0-9\s]+ (Hospital|Clinic|DHQ|S\d{1,2})', re.IGNORECASE)
#new_vend_re = re.compile(r'\b(?:S\d{1,2}\s)?[A-Za-z]+(?:\s[A-Za-z]+)?\s(?:Station|Hospital|DHQ|[A-Za-z]+)\b', re.IGNORECASE)
new_vend_re = re.compile(r'\b(Chichawatni|Harrapa|Kasowal|Mianchannu|Malka Hans|Gogera|Qabula|Arif Wala|Sahiwal|90 Morh|S1 High Street|S2 Mission Chowk|S3 DHQ Hospital|S4 Farid Town|S5 Jahaz Ground|S7 Karbala Road|S7 Mazdoor Puli|S8 TBZ Colony)\b', re.IGNORECASE)
#new_vend_re = re.compile(r'\d+ \d+ - [A-Za-z\s]+ \([A-Za-z\s]+\)')
for line in text.split('\n'):
if new_vend_re.match(line):
print(line)
area_name = line
print(area_name)
pattren = re.compile(r'(\d{2}-[A-Za-z]{3}-\d{4})\s+(Sale|Return)?\s*(\S+[-\S]+)\s+([A-Za-z0-9\s]+)\s+(\d+[A-Za-z]+)\s+([\d\.]+)\s+(\d+)\s+([\d\.]+)\s+([\d\.]+)\s+([\d\.]+)\s+([\d\.]+)')
lines = []

with pdfplumber.open('AK PHARMA (1).pdf') as pdf:
for page in pdf.pages:
text = page.extract_text()
area_name = None

for line in text.split('\n'):
# Check if line matches area name pattern
temp = new_vend_re.search(line)
if temp : # Capture area name once per page
area_name = temp.group(0)
print("Area Name:", area_name)
continue

# Check if line matches the invoice details pattern
line_match = pattren.search(line)
if line_match and area_name:
date_p = line_match.group(0) # Invoice date
Tran = line_match.group(1) # Transaction type (Sale/Return)
prd_inv = line_match.group(2) # Product invoice
prd_des = line_match.group(3) # Product description
pack = line_match.group(4) # Package type
rate = line_match.group(5) # Rate
QTY = line_match.group(6) # Quantity
Bonus = line_match.group(7) # Bonus
Gross = line_match.group(8) # Gross amount
Dis = line_match.group(9) # Discount
Net_Am = line_match.group(10) # Net Amount

# Append each entry as an Inv object
lines.append(Inv(area_name, date_p, Tran, prd_inv, prd_des, pack, rate, QTY, Bonus, Gross, Dis, Net_Am))
`
# Print results in a more readable format
for inv in lines:
print(inv)
df = pd.DataFrame(lines)
df.head()
df.to_csv('inv_lines.csv')``



Подробнее здесь: https://stackoverflow.com/questions/791 ... sfer-in-ex