from PyPDF2 import PdfReader, PdfWriter import re # 导入正则表达式库 import os # 用于文件和文件夹操作 from flask_app.main.merge_pdfs import merge_pdfs def clean_page_content(text, common_header): # 首先删除抬头公共部分 if common_header: # 确保有公共抬头才进行替换 for header_line in common_header.split('\n'): if header_line.strip(): # 只处理非空行 # 替换首次出现的完整行 text = re.sub(r'^' + re.escape(header_line.strip()) + r'\n?', '', text, count=1) # 删除页码 eg:89/129 这个代码分三步走可以把89/129完全删除 text = re.sub(r'^\s*\d+\s*(?=\D)', '', text) # 删除开头的页码，仅当紧跟非数字字符时 text = re.sub(r'\s+\d+\s*$', '', text) # 删除结尾的页码 text = re.sub(r'\s*\/\s*\d+\s*', '', text) # 删除形如 /129 的页码 return text #PYPDF2库 def extract_common_header(pdf_path): pdf_document = PdfReader(pdf_path) headers = [] total_pages = len(pdf_document.pages) # 确定要读取的页数和起始页 if total_pages == 2: pages_to_read = 2 start_page = 0 else: pages_to_read = 3 middle_page = total_pages // 2 start_page = max(0, middle_page - 1) for i in range(start_page, min(start_page + pages_to_read, total_pages)): page = pdf_document.pages[i] text = page.extract_text() or "" if text: # 只取每页的前三行 first_lines = text.strip().split('\n')[:3] headers.append(first_lines) if len(headers) < 2: return "" # 如果没有足够的页来比较，返回空字符串 # 寻找每一行中的公共部分 common_headers = [] for lines in zip(*headers): # 在每一行中寻找公共单词 common_line = set(lines[0].split()).intersection(*[set(line.split()) for line in lines[1:]]) if common_line: common_headers.append(' '.join(common_line)) return '\n'.join(common_headers) def save_pages_to_new_pdf(pdf_path, output_folder, output_suffix, start_page, end_page): """ 从原始PDF截取指定范围的页面并保存到新的PDF文件中。 如果 output_suffix 是 'notice'，则额外保存 start_page 之前的页面。 参数: pdf_path (str): 原始PDF文件路径。 output_folder (str): 输出文件夹路径。 output_suffix (str): 输出文件的后缀，用于区分不同的提取。 start_page (int): 起始页码（0基）。 end_page (int): 结束页码（0基）。 返回: str: 保存的PDF文件路径。如果提取失败，返回空字符串。 """ try: # 获取文件基本名称 base_file_name = os.path.splitext(os.path.basename(pdf_path))[0] # 构建主要输出文件路径 output_pdf_path = os.path.join(output_folder, f"{base_file_name}_{output_suffix}.pdf") # 读取PDF文件 pdf_document = PdfReader(pdf_path) total_pages = len(pdf_document.pages) # 检查起始和结束页码是否有效 if start_page < 0 or end_page >= total_pages or start_page > end_page: print(f"无效的页面范围: {start_page} 到 {end_page}") return "" # 如果 output_suffix 是 'notice'，保存 start_page 之前的页面 if output_suffix == 'notice' and start_page > 0: before_pdf_path = os.path.join(output_folder, f"{base_file_name}_before.pdf") before_doc = PdfWriter() for page_num in range(0, start_page): before_doc.add_page(pdf_document.pages[page_num]) with open(before_pdf_path, 'wb') as f_before: before_doc.write(f_before) print(f"已保存页面从 0 到 {start_page - 1} 为 {before_pdf_path}") # 提取指定范围的页面 output_doc = PdfWriter() for page_num in range(start_page, end_page + 1): output_doc.add_page(pdf_document.pages[page_num]) # 保存新的PDF文件 with open(output_pdf_path, 'wb') as f_output: output_doc.write(f_output) print(f"{output_suffix} 已截取并保存页面从 {start_page + 1} 到 {end_page + 1} 为 {output_pdf_path}") return output_pdf_path except Exception as e: print(f"Error in save_pages_to_new_pdf: {e}") return "" # 返回空字符串 def extract_pages_twice(pdf_path, output_folder, output_suffix): common_header = extract_common_header(pdf_path) last_begin_index = 0 begin_pattern = re.compile(r'第[一二三四五六七八九十]+章\s*招标公告|第一卷|投标邀请书') pdf_document = PdfReader(pdf_path) for i, page in enumerate(pdf_document.pages): text = page.extract_text() if text: cleaned_text = clean_page_content(text,common_header) # 检查“第一章”开始的位置 if begin_pattern.search(cleaned_text): last_begin_index = i # 更新最后匹配的索引，页码从0开始 if output_suffix == "qualification": common_pattern = r'^(?:附录(?:一)?[：:]|附件(?:一)?[：:]|附表(?:一)?[：:])' # end_pattern = r'^(第[一二三四五六七八九十]+章\s*投标人须知|评标办法|评标办法前附表)' end_pattern = re.compile( common_pattern + r'(?!.*(?:资质|能力|信誉)).*$|' # 排除资质、能力、信誉的描述 r'^(第[一二三四五六七八九十]+章\s*评标办法|评标办法前附表|投标人须知)', # 新增的匹配项 re.MULTILINE ) start_page = None end_page = None # 从章节开始后的位置进行检查 for i, page in enumerate(pdf_document.pages[last_begin_index:], start=last_begin_index): text = page.extract_text() if text: cleaned_text = clean_page_content(text,common_header) # 确定起始页，需在last_begin_index之后 if ("资格审查" in cleaned_text or "资质条件" in cleaned_text): if re.search(common_pattern, cleaned_text, re.MULTILINE): if start_page is None: start_page = i # 确保起始页不小于章节的开始页码 # 确定结束页 if start_page is not None and re.search(end_pattern, cleaned_text): if i > start_page: end_page = i break # 找到结束页后退出循环 if start_page is None or end_page is None: print(f"twice: 未找到起始或结束页在文件 {pdf_path} 中！") return "" else: return save_pages_to_new_pdf(pdf_path, output_folder, output_suffix, start_page, end_page) elif output_suffix == "invalid": pdf_document = PdfReader(pdf_path) total_pages = len(pdf_document.pages) # 计算总页数的三分之二 total = int(total_pages * 2 / 3) start_page = last_begin_index end_page = min(90, total) return save_pages_to_new_pdf(pdf_path, output_folder, output_suffix, start_page, end_page) def extract_pages(pdf_path, output_folder, begin_pattern, begin_page, end_pattern, output_suffix): common_header=extract_common_header(pdf_path) # 打开PDF文件 pdf_document = PdfReader(pdf_path) start_page = None end_page = None # 遍历文档的每一页，查找开始和结束短语的位置 for i in range(len(pdf_document.pages)): page = pdf_document.pages[i] text = page.extract_text() if text: cleaned_text = clean_page_content(text,common_header) # print(cleaned_text) if re.search(begin_pattern, cleaned_text) and i > begin_page: if output_suffix == "invalid" and start_page: # 仅当提取Invalid的时候，判断初始页码是第一个匹配到的页码，因为招标编号可能存在多个，后面的覆盖前面 continue else: start_page = i if start_page is not None and re.search(end_pattern, cleaned_text): # 如果output_suffix是"qualification"，调整条件检查 if output_suffix == "qualification": condition = i > start_page else: condition = i > (start_page + 1) if condition: is_invalid_condition = output_suffix == "invalid" and i > 30 # 这边默认无效投标至少有30页 if is_invalid_condition or output_suffix != "invalid": end_page = i break # 确保找到了起始和结束页面 if start_page is None or end_page is None: if output_suffix == "qualification" or output_suffix =="invalid": return extract_pages_twice(pdf_path, output_folder, output_suffix) else: print(f"first: 未找到起始或结束页在文件 {pdf_path} 中！") return "" else: return save_pages_to_new_pdf(pdf_path, output_folder, output_suffix, start_page, end_page) def process_input(input_path, output_folder, begin_pattern, begin_page, end_pattern, output_suffix): # 确保输出文件夹存在 if not os.path.exists(output_folder): os.makedirs(output_folder) if os.path.isdir(input_path): generated_files = [] # 遍历文件夹内的所有PDF文件 for file in os.listdir(input_path): if file.endswith(".pdf"): pdf_path = os.path.join(input_path, file) output_pdf_path = extract_pages(pdf_path, output_folder, begin_pattern, begin_page, end_pattern, output_suffix) if output_pdf_path and os.path.isfile(output_pdf_path): generated_files.append(output_pdf_path) return generated_files elif os.path.isfile(input_path) and input_path.endswith(".pdf"): # 处理单个PDF文件 output_pdf_path = extract_pages(input_path, output_folder, begin_pattern, begin_page, end_pattern, output_suffix) if output_pdf_path and os.path.isfile(output_pdf_path): return [output_pdf_path] # 以列表形式返回，以保持一致性 else: print("提供的路径既不是文件夹也不是PDF文件。") return [] def truncate_pdf_main(input_path, output_folder, selection): if selection == 1: # Configure patterns and phrases for "投标人须知前附表" begin_pattern = re.compile(r'第[一二三四五六七八九十]+章\s*投标人须知') begin_page = 3 end_pattern = re.compile(r'投标人须知正文') output_suffix = "tobidders_notice_table" elif selection == 2: # Configure patterns and phrases for "评标办法" begin_pattern = re.compile( r'第[一二三四五六七八九十]+章\s*评标办法') # 考虑到这种情况 '第三章 第三章 第三章 第三章 评标办法 评标办法 评标办法 评标办法' begin_page = 10 end_pattern = re.compile(r'评标办法正文|评标办法') output_suffix = "evaluation_method" elif selection == 3: # Configure patterns and phrases for "投标人须知正文" begin_pattern = re.compile(r'投标人须知正文') begin_page = 5 end_pattern = re.compile( r'^第[一二三四五六七八九十]+章\s*评标办法|^评标办法前附表|^附录(?:一)?[：:]|^附件(?:一)?[：:]|^附表(?:一)?[：:]', re.MULTILINE) output_suffix = "tobidders_notice" elif selection == 4: # 配置用于 "资格审查条件" 的正则表达式模式和短语 common_pattern = r'^(?:附录(?:一)?[：:]|附件(?:一)?[：:]|附表(?:一)?[：:])' begin_pattern = re.compile(common_pattern + r'.*(?:资质|能力|信誉).*$', re.MULTILINE) begin_page = 5 end_pattern = re.compile( common_pattern + r'(?!.*(?:资质|能力|信誉)).*$|' # 原有的模式 r'^(第[一二三四五六七八九十]+章\s*评标办法|评标办法前附表)', # 新增的匹配项 re.MULTILINE ) output_suffix = "qualification" elif selection == 5: # 配置用于 "招标公告" 的正则表达式模式和短语 begin_pattern = re.compile(r'第[一二三四五六七八九十]+章\s*招标公告|第一卷|投标邀请书') begin_page = 0 end_pattern = re.compile(r'第[一二三四五六七八九十]+章\s*投标人须知', re.MULTILINE) output_suffix = "notice" elif selection == 6: # 配置用于 "无效标" 的正则表达式模式和短语 begin_pattern = re.compile(r'第[一二三四五六七八九十]+章\s*招标公告|第一卷|招标编号:|招标编号：') begin_page = 0 end_pattern = re.compile(r'第[一二三四五六七八九十]+章\s*合同|[：:]清标报告|第二卷', re.MULTILINE) output_suffix = "invalid" else: print("无效的选择:请选择1-6") return None # Process the selected input return process_input(input_path, output_folder, begin_pattern, begin_page, end_pattern, output_suffix) def truncate_pdf_multiple(input_path, output_folder): truncate_files = [] for selection in range(1, 5): files = truncate_pdf_main(input_path, output_folder, selection) truncate_files.extend(files) return truncate_files def merge_selected_pdfs(output_folder, truncate_files, output_path, base_file_name): """ 合并 output_folder 中以 {base_file_name}_before.pdf 结尾的 PDF 文件， 以及 truncate_files 中以指定后缀结尾的文件，按照指定顺序合并。 参数： - output_folder (str): 包含以 {base_file_name}_before.pdf 结尾的 PDF 文件的文件夹路径。 - truncate_files (list): 包含 PDF 文件路径的列表。 - output_path (str): 合并后的 PDF 文件保存路径。 - base_file_name (str): 用于匹配文件名的基础名称。 """ # 1. 获取 output_folder 中所有文件 try: all_output_files = os.listdir(output_folder) except FileNotFoundError: print(f"输出文件夹 '{output_folder}' 未找到。") return except PermissionError: print(f"没有权限访问输出文件夹 '{output_folder}'。") return # 2. 定义要选择的文件后缀及合并顺序，包括 before 文件 desired_suffixes = [ f'{base_file_name}_before.pdf', f'{base_file_name}_notice.pdf', f'{base_file_name}_tobidders_notice_table.pdf', f'{base_file_name}_tobidders_notice.pdf' ] all_pdfs_to_merge = [] for suffix in desired_suffixes: if suffix == f'{base_file_name}_before.pdf': # 从 output_folder 中选择以 {base_file_name}_before.pdf 结尾的文件 matching_files = [ os.path.join(output_folder, f) for f in all_output_files if f.endswith(suffix) ] else: # 从 truncate_files 中选择以指定后缀结尾的文件 matching_files = [f for f in truncate_files if f.endswith(suffix)] if matching_files: # 如果找到多个匹配的文件，按名称排序并添加 matching_files_sorted = sorted(matching_files) all_pdfs_to_merge.extend(matching_files_sorted) for f in matching_files_sorted: print(f"选中文件: {f}") else: print(f"没有找到以 '{suffix}' 结尾的文件。") print(f"总共将要合并的 PDF 文件数量: {len(all_pdfs_to_merge)}") if not all_pdfs_to_merge: print("没有找到要合并的 PDF 文件。") return # 调用 merge_pdfs 函数进行合并 merge_pdfs(all_pdfs_to_merge, output_path) print(f"已成功合并 PDF 文件到 '{output_path}'。") def truncate_pdf_specific_engineering(pdf_path, output_folder): """ 处理 PDF 文件，选择 selection 为 5、1 和 3 的部分，并合并结果。 Args: pdf_path (str): 要处理的 PDF 文件路径。 output_folder (str): 截取后的文件保存文件夹路径。 Returns: list: 截取的文件路径列表，包括合并后的文件路径（如果有）。 """ try: base_file_name = os.path.splitext(os.path.basename(pdf_path))[0] truncate_files = [] selections = [5, 1, 3] # 仅处理 selection 5、1 和 3 for selection in selections: files = truncate_pdf_main(pdf_path, output_folder, selection) if files: if isinstance(files, list): truncate_files.extend(files) elif isinstance(files, str): truncate_files.append(files) if truncate_files: merged_output_path = os.path.join(output_folder, f"{base_file_name}_merged_specific.pdf") merge_selected_pdfs(output_folder, truncate_files, merged_output_path, base_file_name) truncate_files.append(merged_output_path) print(f"已生成合并文件: {merged_output_path}") else: print(f"没有文件需要合并 for {pdf_path}") return truncate_files except Exception as e: print(f"Error in truncate_pdf_specific_two: {e}") return [] # 返回空列表表示失败 # TODO:需要完善二次请求。目前invalid一定能返回 前附表 须知正文如果为空的话要额外处理一下，比如说就不进行跳转（见xx表） 开评定标这里也要考虑 如果评分表为空，也要处理。 if __name__ == "__main__": # input_path = "C:\\Users\\Administrator\\Desktop\\fsdownload\\4bda9fde-89fc-4e5e-94a4-ce6c43010f74\\ztbfile.pdf" # output_folder = "C:\\Users\\Administrator\\Desktop\\fsdownload\\4bda9fde-89fc-4e5e-94a4-ce6c43010f74" input_path="C:\\Users\\Administrator\\Desktop\\招标文件\\招标03.pdf" output_folder="C:\\Users\\Administrator\\Desktop\\招标文件\\special_output" files=truncate_pdf_multiple(input_path,output_folder) # files=truncate_pdf_specific(input_path,output_folder) print(files) # selection = 3 # 例如：1 - 投标人须知前附表, 2 - 评标办法, 3 - 投标人须知正文 4-资格审查条件 5-招标公告 6-无效标 # generated_files = truncate_pdf_main(input_path, output_folder, selection) # # print("生成的文件:", generated_files)