如何避免Python PDF解析代码中因表结构不匹配而出现重复？

问：

我有 100 多个 PDF 是匹配报告，我想从中抓取数据，以便将其存储在数据帧中，以便以后可以使用它。 问题是：这些 PDF 并不总是具有相同的结构，并且从 pdfplumber 读取的表格中的行长度不同，因此几乎不可能不为每种类型的行重复多次代码。 我想找到一种方法来使我的代码更漂亮、更易于阅读和调试。

这是我正在为每个 PDF 阅读的表格：其中一个 PDF 的摘录

我需要从每个 PDF 的两列中获取数据。

这是我从 PDF 中提取表格的代码

directory = os.fsencode('')
matchs_raw = {}
for file in os.listdir(directory):
    
    filename = os.fsdecode(file)
    if '.pdf' not in filename:
        continue
    matchs_raw[filename] = []

    with pdfplumber.open(f'\\{filename}') as pdf:
        for page in pdf.pages:
            tables = page.extract_tables()
            for table in tables:
                for i in table:
                    matchs_raw[filename].append(i)

它正确地存储了我想要的所有数据，每个 PDF 有一个键，所有表中的每一行都是列表的一个元素，这是键的值，matchs_raw。

然后，我尝试从matchs_raw中提取相关数据，将其存储在 pandas DataFrame 中。 我设法用如下所示的代码来做到这一点：

columns = ['file_name','minute','role','numero','nom','recevant_ou_visiteur','equipe',
'description','score_1_ponctuel','score_2_ponctuel']

data = {col: [] for col in columns}

for match in tqdm(matchs_raw):
    if matchs_raw[match][0][0]== "Organisateur":
        for l in range(len(matchs_raw[match])):
            if matchs_raw[match][l][0]=="Déroulé du Match" or matchs_raw[match][l][0]=="DérouléduMatch":
                starting_row = l+3
                break
        for j in matchs_raw[match][starting_row:]:
            
            if len(j)!=13:
                ## LEFT COLUMN
                
                data['file_name'].append(matchs_raw[match][0][20])
                
                try:
                    data['minute'].append(j[0])
                except:
                    data['minute'].append(np.nan)
                try:
                    data['role'].append(re.findall("JR|JV|OR|OV",j[3])[0][0])  
                except:
                    data['role'].append(np.nan)
                
                try:
                    if re.findall("JR|JV|OR|OV",j[3])[0][0] == "J":
                        try:
                            data['numero'].append(re.findall("N[^\x00-\x7F]+\d*",j[3])[0])
                        except:
                            data['numero'].append(np.nan)
                        try:
                            data['nom'].append(re.findall("N[^\x00-\x7F]+\d*(\D+)",j[3])[0])
                        except:
                            data['nom'].append(np.nan)
                        try:
                            data['description'].append(re.findall("(.+?)(JR|JV|OR|OV)N[^\x00-\x7F]",j[3])[0][0])
                        except:
                            data['description'].append(np.nan)
                    
                    else:
                        try:
                            data['numero'].append("Officiel")
                        except:
                            data['numero'].append(np.nan)
                        try:
                            data['nom'].append(re.findall("^(.+?)(OV|OR)(.+)",j[3])[0][2].strip())
                        except:
                            data['nom'].append(np.nan)
                        try:
                            data['description'].append(re.findall("^(.+?)(OV|OR)",j[3])[0][0].strip())
                        except:
                            data['description'].append(np.nan)

对于这种特殊情况，它继续一点点（type==“Organisateur”， len（j）！=13， left column）。 我必须对左列和右列的 len（j）==13 以及另一种具有 3 个不同 len 大小写的 pdf 做同样的事情。 for 循环中 j 的索引相互尊重没有任何意义（例如，和 之间并不总是有 3 个级别的差异。data['minute'].append(j[0])data['role'].append(re.findall("JR|JV|OR|OV",j[3])[0][0])

对于如何避免对每种情况重复所有这些 try/except 块，您有什么建议吗？我们将不胜感激。

谢谢！