PDF文件解析&拆分在SAP凭证打印场景中的运用（一）

　　单纯的SAP凭证批量打印，结合SAP Script+python很容易实现。小爬这次遇到的任务有点纠结：我们需要帮档案管理人员批量打印SAP凭证的同时，还要帮助打印这些凭证在OA办公平台中的流程表单＋表单对应的各式附件，最后要将两个平台的打印数据进行匹配装订，这是目前的档案管理人员的手工工作模式。经过再三思考，小爬终于找到了该过程的自动化机会，以解决作业人员的痛点。

　　具体的思路是这样的：我们且先将SAP凭证批量，调用windows系统的PDF虚拟打印机，打印成一个个PDF文件，并以“OA表单编号-0.pdf"的格式进行重命名，最后再用python爬虫把这些表单号对应的URL获取到，并使用selenium驱动浏览器打开这些表单，后台静默下载表单的附件，打印OA表单，也以”OA表单编号-1（1~n).pdf"的格式命名，并与上一个步骤的凭证PDF文件存放于同一个文件夹。最终将这个文件夹以”表单编号“作为关键信息来遍历，并按照顺序自动推送这些文件给打印机，那么这些打印任务在输送给打印机之前就已经在系统内完成了排序，这样做可以解决两个平台单据打印后的线下匹配难&效率低问题。

　　小爬一开始也是这样做功能实现的，但是这样做，针对步骤一的SAP凭证批量打印为PDF文件，存在两个问题：

１、我们每打印一个凭证为PDF，就要驱动SAP的打印功能，驱动win32桌面的”打印“对话框，直至保存PDF文件成功，这个过程有一定概率失败，无论是findwindow方法还是sendmessage方法，都有较小的概率失败；

2、上面这套打印SAP凭证的组合拳需要频繁调用”打印“界面和”文件另存为PDF“界面，每次都需要3-4秒才能完成，效率不算高；

操作如下图的演示：

 

 

 

 

 

如果您的操作系统上没有对应的“Microsoft Print To PDF”或者福昕阅读器虚拟PDF打印机可选，此时SAP还给我们提供了一个方法来打印内容至PDF：（修改日期：2021-05-13）

１、在打印界面，点击“打印预览”；

２、在打印预览界面的事务代码输入框，填入"PDF!",敲回车；

3、在弹出的PDF预览窗口，点击第一个“保存副本”的PDF按钮，也可以输入热键组合（Ctrl + Shift + S）；

4、在弹出的“另存为”界面，填入“文件名”，点击“确定”即可；

 

 

 

 

 

 

　　基于以上两个痛点，小爬决定继续寻求优化的方法。上述过程，可以考虑，用sap script驱动SAP全选所有待打印凭证，将所有凭证打印成一个PDF文件，那么就解决了频繁的打印PDF导致的效率问题和稳定性问题。结果表明，打印多个凭证为一个PDF文件，跟打印一个凭证为一个PDF文件耗时相当；

但这样做带来了另一个问题，这个”巨无霸“PDF文件，如何跟我们一个个OA表单文件+表单附件 进行系统内关联呢？

　　对问题层层分解后，我们发现，其实我们需要的是一个高效的PDF拆分工具 + 一个高效的PDF文本解析工具 + 一个高效的PDF文件合并工具。通俗的说，我们将含多个凭证的PDF文件，按页拆成一个个子PDF文件，再解析每个PDF文件的文本内容，将有共同特征（如：同一个SAP凭证编号）的子PDF文件进行组合（merge），还原成我们想要的：一个凭证（可能多页）对应一个PDF文件。这个工具必须得擅长拆分PDF、组合PDF、解析PDF文本，同时务必做到高效，效率如果太低，还不如一开始就打印出一个个PDF文件。

　　这就是针对这个场景，小爬的完整解决思路，下篇文章，我们将用python的方法，结合一些第三方工具和一些第三方package，一步步coding，来实现我们这一设想。