excel抓取多页网页数据(给pdf文件插入一页，PowerAutomate是怎么自动做到的？)
优采云 发布时间: 2022-01-07 01:17excel抓取多页网页数据(给pdf文件插入一页，PowerAutomate是怎么自动做到的？)
上一篇文章《在pdf文件中插入页面，Power Automate如何自动做？PA实战》介绍了如何在pdf文件中插入内容，反之，如果有插入，就会有被删除。
例如，在很多pdf文件中，插入了一些广告页，尤其是一些“免费”的文件。这其实是可以理解的。毕竟，整理文档并不容易。插入广告以引起注意也是付费的一部分。小回报。但理解属于理解。有时，我们仍然希望删除广告页面。
如果只是一两个文件，手动操作也很快。它可以通过专业软件或直接使用 Power Automate 来实现。方法非常简单。从哪些页面获取哪些页面！| 《PA实战案例》中使用的方法——将PDF页面解压成新的PDF，这里不再赘述。
下面我们主要讲两种批量操作多个文件的情况：被删除页面的位置是固定的，被删除页面的位置需要通过页面内容搜索来判断。
- 1 -
要删除的页面在固定位置
这种情况也可以通过使用“将PDF页面提取到新的PDF”功能来实现。但是，问题是pdftk工具仍然可以识别pdf文件的总页数。所以，我们直接使用pdftk工具的合并功能，直接合并（删除）删除对应的页面——合并功能真的很好用，具体的使用方法这里举例说明：
例如在文件“01 Nov 2029.pdf”的第3页插入adv.pdf文件，pdftk处理命令可以写成：
这个命令的写法很有意思：将“01 Nov 2019.pdf”文件设置为A，将“adv.pdf”文件设置为B，然后合并[A's pages 1-3, B, A's pages 4- 最后一页 (end)]，输出为 out.pdf 文件。
然后，借助合并功能，假设我们要删除文件夹“E:\RPA\pdf\2019”中所有pdf文件的第4页。实施步骤如下：
Step-01 获取文件夹中的文件
Step-02 为每个循环添加
选择对上一步得到的pdf文件（%Files%）进行循环操作。
Step-03 在循环中添加“运行DOS命令”
注意DOS命令的写法：
1、pdftk命令完全按照你存放pdftk工具的文件路径来写：比如这里是“E:\RPA\pdf\PDFtk\pdftk.exe”；
2、 选择循环的当前工程变量（文件）进入DOS命令时，注意是否加双引号。例如，因为这里要引用文件路径，而文件路径本身可能收录空格等，所以需要加双引号。
-2 -
要删除的页面需要根据内容来判断
在某些情况下，需要删除的页面不是固定的页码，而是需要根据页面的内容来确定。例如，页面收录特定的广告词...
在这种情况下，需要提取页面内容，然后进行文本比较（包括判断）来确定要删除的页面，比较困难。而且，暂时还没有支持直接根据搜索内容删除页面的pdf工具。
但是经过研究，发现pdftk支持我们将pdf文件拆分成不同的文件（每页一个）。这样，我们再提取拆分文件的内容进行判断。如果里面收录了具体的信息，我们直接删除页面文件，然后合并剩余的页面文件是不是可以达到同样的目的呢？
让我们来看看如何做到这一点。
Step-01 获取文件夹中的文件
Step-02 为每个循环添加一个
Step-03 创建一个原文件名的文件夹，用来存放分页后的文件
Step-04 运行DOS命令将pdf文件反汇编到一个文件夹中
pdf_d.pdf 表示反汇编后文件名为pdf_0001.pdf, pdf_0002.pdf……。
Step-05 获取反汇编后的单页文件
Step-06 为每个添加内循环
遍历pdf的每一页并阅读内容
Step-07 从 pdf 中提取文本
Step-08 添加IF条件判断单页pdf文件中提取的文本
条件设置为：如果从页面中提取的内容（%ExtractedPDFText%）收录“我是广告”。
Step-09 删除本页的pdf文件
Step-10 获取当前文件夹中的文件
在Step-09之后，收录广告的页面的pdf文件已被删除。再次获取文件夹中的所有pdf文件，为后续的合并做准备：
步骤 11 合并 PDF 文件
合并上一步得到的pdf文件（减少广告）。
经过以上拆分、提取文本、判断、删除页面，再合并的过程，我们就达到了根据内容删除pdf页面的目的。
该方法考虑到要删除的页面位置完全不确定，所以需要对所有pdf文件进行反汇编。结果，反汇编后的文件会比较多，每个页面都需要进行文本提取和判断。因此，如果页面较多，运行效率可能会比较低。
在实际工作中，如果要删除的页面位置比较固定，比如可能只出现在几个页面上，那么建议先将这些页面提取出来，分别处理后再合并，这样避免全部拆除的效率问题。
