使用 python 从 pdf 中提取特定文本

Question

是否可以使用 python 从 pdf 中提取特定文本。

测试用例：我有一个10多页的PDF文件，我需要提取出具体的文本和与之关联的值。 示例：用户：值用户 ID：值。 需要提取这些值。

我能够阅读所有页面，我现在想要特定的文本

Answer 1

如果您已经能够阅读 PDF 并将文本存储到字符串中，则可以执行以下操作：

import re # Import the Regex Module

pdf_text = """
user:John
user:Doe
user id:2
user id:4
"""

# re.findall will create a list of all strings matching the specified pattern
results = re.findall(r'user:\s\w+', pdf_text)
results = ['user: John', 'user: Doe']

这基本上意味着：查找所有以字符串 'user:' 开头的匹配项，后跟一个空格 '\s'，然后是组成单词（字母和数字）的字符 '\w'，直到它不再匹配 '+' .

如果您只想取回“值”字段，则可以使用：r'user:\s(\w+)'，它会指示正则表达式引擎对与 '\w+' 匹配的字符串进行分组。 如果您的正则表达式模式中有组，则 findall 返回一个组匹配列表，因此结果将是：

results = re.findall(r'user:\s(\w+)', pdf_text)
['John', 'Doe']

查看正则表达式模块文档： https://docs.python.org/3/library/re.html

如果您想做更复杂的事情，其他一些方法，如 finditer() 也可以提供帮助。

此正则表达式指南也可能有所帮助： https://www.regexbuddy.com/regex.html?wlr=1