如何从文本中查找/提取页码？

Question

我一直在对一些图像进行OCR，这些图像是不同文档的一部分，底部有页码。我找到了找到每个文档的方法，但图像不按顺序排列，我想对它们进行排序按他们的页码。一个小问题是页码的格式存在差异，即

• Page 1 of 35
• Page 1-35
• Page 35

此外，Page也可以是小写page。我正在寻找的是使用正则表达式从页面中提取这一点的通用方法。如果它可以在一个正则表达式中处理将是很好的，因为编译版本将比为每个案例具有不同的版本更快。 感谢

Answer 1

尝试使用以下正则表达式，

page\s[\d]?[\s\d\-of]+

使用“I”标志不区分大小写。

RegexDemo

Answer 2

请查看以下命令是否适合您。感谢

>>> re.findall(r'\w*\s\w*\d{1,5}','Page 1-35')
['Page 1']
>>> re.findall(r'\w*\s\w*\d{1,5}','Page 35')
['Page 35']
>>> re.findall(r'\w*\s\w*\d{1,5}','Page 1 of 35')[0]
'Page 1'
>>> re.findall(r'\w*\s\w*\d{1,5}','page 1 of 35')[0]
'page 1'
`