使用 PDFminer 從發票 PDF 中提取特定數據值：Python

Question

希望從具有不同結構的多個 PDF 中僅提取特定數據，

我已將所有 pdf 存儲到發票文件夾中。 我嘗試使用 pdfminer 庫從 pdf 中提取數據。

def extract_text(pdf_path):
    text21 = ''
    for page in extract_text_by_page(pdf_path):
        text21 = text21 + str(page[:-1]) + ' '
    return text21


inv = glob.glob(path+"/Invoice/*.pdf")

for i in inv:
    print(i)
    page = extract_text(i)
    print(page)
    data1 = str(page)
    lan = len(data1)

     x = re.search("Invoice Number:", page)
    x1 = re.search("Invoice No:", page)
    x2 = re.search("Bill No:" , page)
    x3 = re.search("Bill:" , page)
    if (x or x1 or x2 or x3):
        if x:
            yo = x.end()
        elif x1:
            yo = x1.end()
        elif x2:
            yo = x2.end()
        elif x3:
            yo = x3.end()

同樣查看 append 發票日期，發票 PDF 文件中的總賬單金額。 我如何 append 將所有值轉換為單獨的變量作為提取值以供其他進程使用。

Answer 1

使用pText

with open("input.pdf", "rb") as pdf_file_handle:
    l = RegularExpressionTextExtraction("Invoice Number :[0-9]+")
    doc = PDF.loads(pdf_file_handle, [l])

# do something with these events
l.get_matched_text_render_info_events_per_page(0)