使用 python 從 pdf 中提取特定文本

Question

是否可以使用 python 從 pdf 中提取特定文本。

測試用例：我有一個10多頁的PDF文件，我需要提取出具體的文本和與之關聯的值。 示例：用戶：值用戶 ID：值。 需要提取這些值。

我能夠閱讀所有頁面，我現在想要特定的文本

Answer 1

如果您已經能夠閱讀 PDF 並將文本存儲到字符串中，則可以執行以下操作：

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']

這基本上意味着：查找所有以字符串 'user:' 開頭的匹配項，后跟一個空格 '\s'，然后是組成單詞（字母和數字）的字符 '\w'，直到它不再匹配 '+' .

如果您只想取回“值”字段，則可以使用：r'user:\s(\w+)'，它會指示正則表達式引擎對與 '\w+' 匹配的字符串進行分組。 如果您的正則表達式模式中有組，則 findall 返回一個組匹配列表，因此結果將是：

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

查看正則表達式模塊文檔： https://docs.python.org/3/library/re.html

如果您想做更復雜的事情，其他一些方法，如 finditer() 也可以提供幫助。

此正則表達式指南也可能有所幫助： https://www.regexbuddy.com/regex.html?wlr=1