Python — извлечение данных о выборах и регулярное выражение ⇐ Python

[Anonymous]

Я пытаюсь проанализировать данные избирателей в Нагаленде с помощью Python. Я загрузил данные с сайта (https://old.eci.gov.in/electoral-roll/l ... df-e-roll/). Данные представлены в формате PDF, и мне нужно преобразовать их в Excel для анализа. Вот мой код.
Примечание: я использую pypdf2 версии 2.12.1 (PyPDF2==2.12.1)

Код: Выделить всё

import os
import PyPDF2
import re
import pandas as pd
import numpy as np

directory = 'E:\Python\Voter' #My folder location where I've downloaded the data ( list of pdfs)

for filename in os.listdir(directory):
if filename.endswith(".pdf"):
src_file = open(os.path.join(directory, filename),'rb')
pdfreader = PyPDF2.PdfFileReader(src_file)
num_pg = pdfreader.getNumPages()

start_pno = 2
end_pno = num_pg-1

for pg in range(start_pno,end_pno):
pageob = pdfreader.getPage(pg)
try:
dest_file = open('pdf_content.txt','a')
except FileNotFoundError:
dest_file = open('pdf_content.txt','w')

dest_file.write(pageob.extractText())
dest_file.close()

src_file.close()

out_file = open('pdf_line_content.txt','w')
new_file = open('pdf_content.txt','rb')

s = new_file.read()
strn = re.split(' No',str(s))
out_file.write('\n'.join(strn))

new_file.close()
out_file.close()

out_fl = open('pdf_line_content.txt','r')

row = []

for eachline in out_fl.readlines():
h_no = re.findall(r'\s:\s(.*?)Gender',eachline)
gender = re.findall(r'.Gender\s:\s(.*?)Age',eachline)
name = re.findall(r'.\dName\s:\s(.*?)\s',eachline)
age = re.findall(r'[A-Z]*\s\s(\d\d)\s.\w',eachline)
f_name = re.findall(r'\sName\s:\s(.*?)\s\s\d\d',eachline)
row.append((h_no,gender,name,age,f_name))

out_fl.close()
os.remove('pdf_content.txt')
os.remove('pdf_line_content.txt')

df = pd.DataFrame(row, columns = ['House No', 'Gender', 'Name', 'Age',
'Father\'s/Husband\'s Name'])

for colmn in df.columns:
df[colmn] = df[colmn].apply(lambda i: ''.join(i))

df.replace('', np.nan, inplace=True)
df.dropna(how = 'all', inplace=True)

writer = pd.ExcelWriter('output.xlsx')
df.to_excel(writer,'Content')

writer.close()

pageob.extractText() — вывод, как показано ниже.
[img]https://i.stack.imgur.com /eKvD2.png[/img]

Однако окончательный результат выглядит следующим образом:


Похоже, мне что-то не хватает в регулярных выражениях или их сопоставлении. Я хочу, чтобы мой вывод содержал данные вместо NaN. Может ли кто-нибудь помочь мне исправить это, или любые предложения будут оценены по достоинству.

Подробнее здесь: https://stackoverflow.com/questions/781 ... -and-regex