我的脚本无法读取跳线的数字

Question

我正在尝试读取 pdf 文件中的“cnpj”，它是一个类似“30.114.117/0001-64”的数字，所以这是我的脚本：

import re
import PyPDF2
import PySimpleGUI as sg


#GUI Window
Layout = [
    [sg.Text("Por favor insira o diretório do seu PDF")],
    [sg.Input(key='file_path'), sg.FileBrowse("Procurar")],
    [sg.Button("Extrair"),sg.Button("Cancelar")],
    [sg.InputText("", key="Output")]]

Janela = sg.Window("Extrator de CPF", Layout, margins=(100,50))


while True:
    evento, valores = Janela.read()
    if evento == sg.WIN_CLOSED or evento == "Cancelar":
        break
    elif evento == "Extrair":

        # OPEN PDF File
        with open(valores["file_path"], 'rb') as f:

            # Create a PDF object
            pdf = PyPDF2.PdfFileReader(f)

            # Iterates by every page from PDF
            lista = []
            for p in range(pdf.getNumPages()):

                # get the number pages of pdf
                texto = pdf.getPage(p).extractText()

                # use a (regex) to look to cpf and cnpj (cpf = "123.456.789-10" and cnpj = '30.114.117/0001-64'
                cnpjs = re.findall(r'\d{2}\.\d{3}\.\d{3}/\d{4}-\d{2}', texto)
                cpfs = re.findall(r'\d{3}\.\d{3}\.\d{3}-\d{2}', texto)

                # print the cpf cnpj numbers that i found in the PDF
                for cpf in cpfs:
                     lista.append(cpf + ',')
                for cnpj in cnpjs:
                    lista.append(cnpj + ',')
        Janela['Output'].update(lista)`

该脚本没问题，但在变量“texto”中可能会返回文本跳行，例如：

“你的 cnpj 是 31.111.111
/0001-64"

当换行时正则表达式找不到数字，我也尝试了texto =texto.replace("\n", " ") ，但还是找不到，有人有想法吗？ 也许是另一个可以阅读的图书馆。

我想从 pdf 中提取 CPF 和 CNPJ 但是文本换行，我无法提取数字

Answer 1

我推荐使用 PyMuPDF。 它有许多用于文本提取的标志，其中一个用于检测断字。 如果你像这样提取它，你的问题应该 go 消失：

import fitz # PyMuPDF import
doc = fitz.open("your.file")
page = doc[0]  # page 0

text = page.get_text(flags=fitz.TEXT_DEHYPHENATE)

顺便说一句，以上所有内容都不依赖于 PDF 文件 - 也适用于 XPS、EPUB 等。

Answer 2

您正在使用已弃用的 PyPDF2。 请移至pypdf 。

您尚未共享 PDF，因此无法检查这是否真正解决了您的问题。 然而，与PyPDF2<2.0.0相比， pypdf确实有相当多的文本提取改进。

import re
import pypdf
import PySimpleGUI as sg


#GUI Window
Layout = [
    [sg.Text("Por favor insira o diretório do seu PDF")],
    [sg.Input(key='file_path'), sg.FileBrowse("Procurar")],
    [sg.Button("Extrair"),sg.Button("Cancelar")],
    [sg.InputText("", key="Output")]]

Janela = sg.Window("Extrator de CPF", Layout, margins=(100,50))


while True:
    evento, valores = Janela.read()
    if evento == sg.WIN_CLOSED or evento == "Cancelar":
        break
    elif evento == "Extrair":

        # OPEN PDF File
        with open(valores["file_path"], 'rb') as f:

            # Create a PDF object
            reader = pypdf.PdfReader(f)

            # Iterates by every page from PDF
            lista = []
            for page in reader.pages:

                # get the number pages of pdf
                texto = page.extract_text()

                # use a (regex) to look to cpf and cnpj (cpf = "123.456.789-10" and cnpj = '30.114.117/0001-64'
                cnpjs = re.findall(r'\d{2}\.\d{3}\.\d{3}/\d{4}-\d{2}', texto)
                cpfs = re.findall(r'\d{3}\.\d{3}\.\d{3}-\d{2}', texto)

                # print the cpf cnpj numbers that i found in the PDF
                for cpf in cpfs:
                     lista.append(cpf + ',')
                for cnpj in cnpjs:
                    lista.append(cnpj + ',')
        Janela['Output'].update(lista)