如何从 PDF 上的特定位置/范围提取文本 (PyPDF2)

Question

我已经将 PDF 页面中的文本提取到 Text 变量中。 我正在寻找字符串“你的号码是”之后的数字（14 长度的字符串在跨度（982,996）上匹配：

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

我得到了一个结果：span = (982, 996) match = 'your number is'。现在我只需要抓取之后出现的三位数文本（'您的号码是 105'），因为文件每天都在变化，并且获取应该是动态的。
谢谢大家！！

Answer 1

问题在于正则表达式而不是 pdf 本身。假设每页最多匹配一个，您可以使用search，否则使用findall。看看doc 的如何使用组，(...) 部分。

import PyPDF2, re

filename = '' # 

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

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

使用 PyPDF4，语法相同，没有“有”extractText 问题：

• 来自doc： 这适用于某些 PDF 文件，但对其他文件效果不佳，具体取决于所使用的生成器。 [...]不要依赖从这个函数出来的文本顺序，因为如果这个函数变得更复杂，它会改变。