使用 Python 删除 pdf 文件中的页面答案

【问题标题】：Removing pages in a pdf file conditioning on something using Python使用 Python 删除 pdf 文件中的页面
【发布时间】：2022-01-21 05:14:53
【问题描述】：

我有一个大约 1000 页的 PDF 文件，我想删除一些以找不到特定单词为条件的页面。例如，代码会搜索特定单词，例如“STACKOVER”，如果在页面上找不到该单词，则删除页面并继续到下一页，最后保存文件。

【问题讨论】：

欢迎来到 SO。到目前为止，您尝试过什么？
下次发布问题时，您需要提供更多信息并显示尝试。这将为您节省很多悲伤。编码愉快！
感谢您的评论，我下次发帖时会更加小心。

标签： python pdf

【解决方案1】：

这样做的方法是：首先，定义您要查找的搜索词（在我的例子中，我在医学期刊上对其进行了测试并搜索了searchwords=['unclear risk for poorly']）。其次，查找包含单词或字符串的所有页面并将页码存储在列表中（pages_to_delete）。为了安全起见，我把它们放在一个 csv 文件中，给出在其中找到特定搜索词的页面。三、打开原pdf，删除列表中包含的页面，另存为新pdf。

import PyPDF2
import re
from PyPDF2 import PdfFileWriter, PdfFileReader

pdfFileObj=open(r'C:\Users\s-degossondevarennes\......\dddtest.pdf',mode='rb')
pdfReader=PyPDF2.PdfFileReader(pdfFileObj)
number_of_pages=pdfReader.numPages

pages_text=[]
words_start_pos={}
words={}

searchwords=['unclear risk for poorly']

pages_to_delete = []

with open('Pages.csv', 'w') as f:
    f.write('{0},{1}\n'.format("Sheet Number", "Search Word"))
    for word in searchwords:
        for page in range(number_of_pages):
            print(page)
            pages_text.append(pdfReader.getPage(page).extractText())
            words_start_pos[page]=[dwg.start() for dwg in re.finditer(word, pages_text[page].lower())]
            words[page]=[pages_text[page][value:value+len(word)] for value in words_start_pos[page]]
        for page in words:
            for i in range(0,len(words[page])):
                if str(words[page][i]) != 'nan':
                    f.write('{0},{1}\n'.format(page+1, words[page][i]))
                    pages_to_delete.append(page)
                    

infile = PdfFileReader(r'C:\Users\s-degossondevarennes\.......\dddtest.pdf', 'rb')
output = PdfFileWriter()

for i in range(infile.getNumPages()):
    if i not in pages_to_delete:
        p = infile.getPage(i)
        output.addPage(p)

with open('Newdddtest.pdf', 'wb') as f:
    output.write(f)

更新

如果要忽略文字是否加粗替换

words_start_pos[page]=[dwg.start() for dwg in re.finditer(word, pages_text[page].lower())]

与

words_start_pos[page]=[dwg.start() for dwg in re.finditer(word, pages_text[page])]

【讨论】：

感谢您的帮助。但是，该代码仅适用于“风险不明”的搜索词。我在网上查找了您的 pdf 文件，标题为“评估偏倚风险作为医学测试研究的质量领域”。例如，当我想通过将代码更改为 searchwords=['Abstract'] 来删除此文件的第一页时，该代码不起作用。也许，我错过了什么？
更新了答案！编码愉快！
感谢您的更新。该代码可能对颜色敏感。它不会删除包含除黑色以外的彩色单词的页面。
我用红色的 Abstract 进行了测试。工作得很好。看看你自己的文件会很有趣。