原創：顧遠山
著作權歸作者所有，轉載請標明出處。
TALK IS CHEAP! SHOW ME YOUR CODE!
OK... Here comes my code...
let main pathIn =
pathIn |> Directory.GetFiles |> Array.filter (fun f -> f.ToLower().EndsWith(".pdf"))
|> Array.map (fun filename -> filename |> readAllText |> Regex(@"(?<=￥)\d+?\.\d+?").Matches |> Seq.cast<Match> |> Seq.map (fun m -> m.Value |> decimal) |> Seq.max)
|> Array.sum
!@##@!
CODE IS CHEAP! SHOW ME YOUR POINT!
OK... Here comes my point...
前言： 在日常生活中我們經常會遇到一些實際問題，比如少量數據的非常規處理，人肉手工做又累又傻，現成的工具或平臺卻要么過于通用要么過于笨重以至于無法直接被應用在特定場景，空有百般本領卻無從下手。也許真相是好多人對它們的功能不夠熟悉，例如筆者并不從事數據分析工作，類似Power BI這種入門級的簡單工具學了又忘忘了又學也用不好，一來是工作中缺乏足夠案例實踐，二來是年紀大了確實記不住。對于這種情況，輕量級編程可以靈活快速地把問題解決。
導讀： 這是一篇用輕量級編程方式解決實際問題后復盤的文章，主要圍繞軟件工程實踐中的設計和開發階段展開，順便推廣一下F#編程語言（和正則表達式）在日常生活中的應用。
關鍵字： 輕量級編程，軟件工程，F#，正則表達式
第零部分：問題描述
現有格式相同的電子發票PDF文件若干，我們使用Edge瀏覽器或Reader類工具打開它們后，能選取和復制里面的文字內容，比如下面兩個截圖中，發票樣本1選取到的是發票金額￥1029.40，發票樣本2選取到的發票金額￥799.70，即藍色高亮部分。如果不想逐個點開PDF文件找到發票金額進行復制粘貼或手抄匯總，如何快速求得這堆電子發票的總金額？
這個問題的實質無非是數據抽取+類型轉換+數值計算，解決思路五花八門。同事S早前做過各大公司年報抽數分析的項目，她建議用輕量級編程的方法直接從PDF文件中讀取發票金額然后匯總求解。思路很有創意，那具體怎么求出這個值呢？實現的方式也是豐富多彩的，筆者使用了其中一種，僅供參考。
第一部分：高階設計
目標： 實現一個程序。
輸入： 一個包含電子發票文件的Windows文件夾。
輸出： 所有電子發票金額（含稅）的匯總值。
假設： 該文件夾存在且可被訪問但沒有子文件夾，該文件夾里有符合指定格式的電子發票文件（PDF格式），且這些文件能被Edge或者Reader類工具打開并選取和復制發票金額。
測試用例：
- 文件夾里只有文件20200831.pdf（發票含稅金額￥1029.40）時，輸出1029.40。
- 文件夾里有文件20200831.pdf（發票含稅金額￥1029.40）和20200921（發票含稅金額￥799.70）時，輸出1829.10。
第二部分：詳細設計
我們把期望實現的程序功能按模塊進行了簡單分解。
主程序由三個子模塊組成，其中：
- 子模塊1：收集待處理發票文件列表；
- 子模塊2：對每個發票文件進行操作，打開發票文件，獲取發票金額；
- 子模塊3：匯總發票金額。
按函數式編程的范式進一步把模塊對應為函數，則整個程序將由四個函數構成，一個主函數（main）和三個子函數（getPDFs、getInvoiceAmount、sumUp），四者與輸入輸出的關系如下圖所示：
其實上面的getInvoiceAmount函數有兩個坑，穩妥起見先把它們填了：第一，打開目標文件（PDF格式）并讀取所有內容為文本并非編程語言的內置功能，必須依賴第三方的包間接實現。第二，讀取出來的文本是一個字符串，實現時把字符串里所有（￥數值）全部抓出來取最大值即可。為此我們對getInvoiceAmount函數進一步分解為兩個子函數readAllText和getTargetValue，三者與輸入輸出的關系如下圖所示：
通過把高階設計分解為主程序和三個模塊，對應的四個函數(加兩個子函數)組合起來可以實現程序期望的功能，小結如下：
main: string -> decimalgetPDFs: string -> string []-
getInvoiceAmount: string -> decimalreadAllText: string -> stringgetTargetValue: string -> decimal
sumUp: decimal [] -> decimal
第三部分：代碼實現
準備條件: 創建F# Console Application (.NET Framework 4.7+)解決方案，通過Nuget Package Manager安裝PDFSharp包（最新穩定版1.50.5147)，并打開代碼實現所依賴的以下命名空間：
open System.Text
open PdfSharp.Pdf.IO
open PdfSharp.Pdf.Content
open PdfSharp.Pdf.Content.Objects
open System.Text.RegularExpressions
open System.IO
System.IO用于獲取文件夾里的文件名，System.Text.RegularExpressions用于通過正則表達式從文本中獲取目標值，其他是PDFSharp相關的命名空間。
實現詳細設計里面的四個函數（加兩個子函數）
由于main函數在最后調用，我們先實現它的三個子函數，然后再實現它。
-
getPDFs函數
let getPDFs pathIn =
pathIn
|> Directory.GetFiles //獲取該文件夾下所有文件
|> Array.filter (fun f -> f.ToLower().EndsWith(".pdf"))//篩選PDF文件
-
getInvoiceAmount函數
詳細設計中提到，實現這個函數需要先實現它的兩個子函數readAllText和getTargetValue，我們逐個實現。readAllText函數
在F# Snippets的網站上，直接有可用的代碼，直接引用。getTargetValue函數
let getTargetValue filecontent =
let regex = new Regex(@"(?<=￥)\d+?\.\d+?") //獲取金額文本的正則表達式
filecontent |> regex.Matches |> Seq.cast //詳細設計中的getMatchedStrings
|> Seq.map (fun m -> m.Value |> decimal) //詳細設計中的decimal
|> Seq.max //詳細設計中的max
實現了readAllText子函數和getTargetValue子函數之后，根據詳細設計易得：
let getInvoiceAmount filename = filename |> readAllText |> getTargetValue
sumUp函數
F#內置有匯總函數Array.sum，直接使用。main函數
基于上述三個子函數的實現，根據詳細設計即得：
let main pathIn = pathIn |> getPDFs |> Array.map getInvoiceAmount |> Array.sum
把實現完畢的main函數對比高階設計里的概念圖，數據流過程并無二致。
至此四個函數（加兩個子函數）都已用F#代碼實現完畢，設定輸入參數pathIn便可運行測試。
第四部分：用戶接受測試
測試用例1：
期待值1029.40，實際值1029.40，通過。
測試用例2：
期待值1829.10，實際值1829.10，通過。
測試用例驗證通過后，筆者認為用戶驗收測試完成，程序可用，問題解決。
結語
筆者最后用這個小程序快速匯總了60個PDF電子發票文件的含稅總金額，非常方便。之所以說這是輕量級編程解決方案，是因為除去引用的外部代碼之外，實現所有功能只需要不到10行代碼，如下：
let getPDFs pathIn = pathIn |> Directory.GetFiles
|> Array.filter (fun f -> f.ToLower().EndsWith(".pdf"))
let getTargetValue filecontent =
let regex = new Regex(@"(?<=￥)\d+?\.\d+?")
filecontent |> regex.Matches |> Seq.cast<Match>
|> Seq.map (fun m -> m.Value |> decimal)
|> Seq.max
let getInvoiceAmount filename = filename |> readAllText |> getTargetValue
let main pathIn = pathIn |> getPDFs |> Array.map getInvoiceAmount |> Array.sum
使用F#進行輕量級編程解決實際問題
時下很多人都在學Python，對于日常應用類的輕量級編程非常容易上手。但其實F#也同樣適合這種場景，而且很多時候F#的語法比其他語言更簡潔。
比如F#中被廣泛應用的前向管道運算符|>，它的定義為：
let (|>) x f = f x
前向管道運算符|>可以非常直觀地把輸入輸出按照流的形式直接串起來，相比其他語言省了不少括號從而增加了代碼的可讀性。這個運算符在函數式編程語言里其實是標配。
我們不妨用縮進的方式細看一下本案例的main函數：
let main pathIn =
pathIn
|> getPDFs //輸入文件夾路徑，獲取文件夾里所有PDF文件名
|> Array.map getInvoiceAmount //對每個PDF文件，獲取里面的含稅發票金額
|> Array.sum //匯總所有含稅發票金額
這樣的代碼，數據流的順序基本遵循業務邏輯，即便不是程序員也能猜個七七八八。但同樣的邏輯如果換成C#來寫，就算用上Linq的擴展方法也最多精簡如下：
public static int Main(string pathIn)
{
return getPDFs(pathIn).Select(file=>getInvoiceAmount(file)).Sum();
}
其中各種括號和莫名其妙的關鍵字，邏輯要再復雜一點的話別說業務人員了，就算程序員讀起來恐怕也是云里霧里。
另外，在F#中代碼的復用比其他語言更靈活，因為不同的函數之間可以相互之間組合產生新的函數，而這些函數又可以作為參數傳給高階函數進行運算。函數組合運算符>>的應用也是相當高頻，比如本案例中的main函數，就算我們沒有顯式實現getInvoiceAmount，也可以臨時用readAllText和getTargetVaule組合起來用，于是有：
let main pathIn =
pathIn
|> getPDFs
|> Array.map (readAllText >> getTargetValue) //臨時組合的匿名函數作為高階函數的入參
|> Array.sum
用>>操作符我們很方便就把readAllText和getTargetValue兩個函數結合成一個匿名函數，然后這個匿名函數被作為參數傳到Array.map高階函數里參與計算。這個操作符在函數式編程語言里同樣是標配。
F#中也有語法糖。還用本案例中的main函數舉例，Array.map f array |> Array.sum等效為Array.sumBy f array，所以這句代碼可以寫得更簡潔一些：
let main pathIn =
pathIn
|> getPDFs
|> Array.sumBy (readAllText >> getTargetValue)
其實函數式編程語言還有很多有趣且實用的特性。比如函數調用傳入參數可以不加括號這一點，就讓有些寫得足夠好的F#代碼看起來跟自然語言（英文）相當接近，甚至一般人也能看懂，所以F#的用戶群里有固定一部分是做領域特定語言編程的。領域特定語言是另一個話題了，就算只用于解決日常小問題，筆者還是強烈推薦產品經理學一學F#這門開源的全平臺語言，挺有用的。
另外，既然PDF格式的文件有特定的文件結構，為什么不通過文件結構分析獲取發票金額？這樣做的確沒問題，但筆者不熟悉PDFSharp包深入研究必然花費一定時間，且筆者有信心用正則表達式能把目標值提取出來，就直接讀取PDF所有內容為文本了。實際上抽取發票金額的正則表達式很短，各部分用不同的顏色標注如下：
- (?<=￥)為肯定式后向查找字符￥，零寬度斷言，僅匹配不捕獲
- \d+?，向前惰性匹配所有數字，直到遇到第一個非數字字符（得到整數部分1029）
-
\.，字符 . 是正則表達式里的保留字（通過\字符轉義得到普通字符 . ） - \d+?，向前惰性匹配所有數字，直到遇到第一個非數字字符（得到小數部分40）
正則表達式簡單暴力可行，但并不是出色的解決方案，慎用。
