使用 PDF 阅读器获取文本？

Posted 2023-03-07

【中文标题】使用 PDF 阅读器获取文本？

【英文标题】：Get Text with a PDF Reader?

【发布时间】：2019-10-06 22:08:30

【问题描述】：

当我阅读 pdf 时，我怎样才能只得到这个简单的文本？

CLSAI10608

此代码始终以 CLXXXXXXXX, LEN = 10 开头。

代码：

import PyPDF2
file = open('document.pdf', 'rb')
pdfreader = PyPDF2.PdfFileReader(file)
pageobj = pdfreader.getPage(0)
print(pageobj.extractText())

输出：

output

【参考方案1】：

所以我想出的正则表达式模式搜索以CL 开头的内容，然后是 8 个非空白字符。 regex101.com 提供了方便的解释。

import re

string = r"""Detalle

Total

4040CL02

  Correccion de BL

CLSAI10608LV-PASSERO V0008-MBL : ISGA0F000

47.020"""

match = re.search(r"[C][L]\S8", string)
if match:
    code = match.group()
    print(code)

输出：CLSAI10608

所以你想用pageobj.extractText()替换string。