如何從 PDF 上的特定位置/跨度提取文本 (PyPDF2)

Question

我已經將 PDF 頁面中的文本提取到 Text 變量。 我想提取字符串 'your number is' 之后的數字（14 長度的字符串在 span (982,996) 上匹配：

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

我得到一個結果：span = (982, 996) match = '你的號碼是'。 現在我所需要的就是刮掉后面的三位數文本（'你的號碼是105 '），因為文件每天都在變化，而且提取應該是動態的。
謝謝大家 ！！

Answer 1

問題是關於正則表達式而不是 pdf 本身。 在假設每頁最多一個匹配項的情況下，您可以使用search ，否則使用findall 。 查看有關如何使用 group 和(...)部分的文檔。

import PyPDF2, re

filename = '' # 

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

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

使用 PyPDF4，語法是一樣的，它不“有”這樣的問題：

• 來自doc ：這對某些 PDF 文件很有效，但對其他人來說效果不佳，具體取決於所使用的生成器。 [...] 不要依賴於這個函數的文本順序，因為如果這個函數變得更復雜，它會改變。