如何从 PDF 上的特定位置/跨度提取文本 (PyPDF2)

Question

我已经将 PDF 页面中的文本提取到文本变量中。 我正在寻找提取字符串“您的号码是”之后的数字（14 长度的字符串在跨度（982,996）上匹配：

object=PyPDF2.PdfFileReader(filename)
Text = PageObj.extractText()
PageObj = object.getPage(0) 
ResSearch = re.search(String, Text)

我得到一个结果：span = (982, 996) match = 'your number is'。现在我需要的是抓取后面的三位数文本（“您的号码是105”），因为文件每天都在变化，并且获取应该是动态的。
谢谢大家！！

Answer 1

问题在于正则表达式而不是 pdf 本身。假设每页最多有一个匹配项，您可以使用

search

，否则使用

findall

。查看 doc 关于如何使用组的部分，带有

(...)

的部分。

import PyPDF2, re

filename = '' # 

pdf_r = PyPDF2.PdfFileReader(open(filename, 'rb'))
text = pdf_r.getPage(0).extractText() # from 1st page or make a loop

if p := re.search(r'your number is (\d{3})', text):
   my_number = int(p.groups()[0]) # as int

使用PyPDF4，语法是相同的，并且它不“有”这样的

extractText

问题：

• 来自文档： 这对于某些 PDF 文件效果很好，但对于其他文件效果不佳，具体取决于所使用的生成器。 [...] 不要依赖此函数中文本的顺序，因为如果此函数变得更加复杂，它会发生变化。