Question

是python的新手，正在尝试读取PDF文件以提取ID No.。到目前为止，我已经成功使用pdfplumber从PDF文件中提取了文本。下面是代码块：

import pdfplumber

with pdfplumber.open('ABC.pdf') as pdf_file:
    firstpage = pdf_file.pages[0]
    raw_text = firstpage.extract_text()
    print (raw_text)

以下是文本输出：

Welcome to ABC
01 January, 1991
ID No. : 10101010
Welcome to your ABC portal. Learn
More text here..
Even more text here..
Mr Jane Doe
Jack & Jill Street Learn more about your
www.abc.com
....
....
....

但是，无法找到进一步解析此非结构化文本的最佳方法。期望最终输出仅为ID号，即10101010。顺便提一句，该脚本将用于相当大量的PDF，因此性能值得关注。

Answer 1

尝试使用正则表达式：

import pdfplumber
import re

with pdfplumber.open('ABC.pdf') as pdf_file:
    firstpage = pdf_file.pages[0]
    raw_text = firstpage.extract_text()
    m = re.search(r'ID No\. : (\d+)', raw_text)
    if m:
        print(m.group(1))

当然，您必须遍历所有 PDF的内容-而不仅仅是首页！也要问问自己，每页是否可能有多个匹配项。无论如何：您比我更了解输入的结构（并且我们无权访问示例文件），所以我将其作为练习留给您。

Answer 2

如果ID号的长度始终相同，我将尝试使用find-function查找它的位置。 position = raw_text.find('ID No. : ')应该返回ID号中I的位置。position + 9应该是ID的第一位。当数字的长度始终为8时，您可以使用int(raw_text[position+9:position+17]）

Answer 3

如果您是Python的新手，并且实际上需要处理大量数据，建议您将Scala作为替代方法。

对于一般的数据处理，尤其是对正则表达式匹配而言，获得结果所需的时间大大减少。

以下是您在Scala中而不是Python的问题的答案：

import com.itextpdf.text.pdf.PdfReader
import com.itextpdf.text.pdf.parser.PdfTextExtractor

val fil = "ABC.pdf"

val textFromPage = (1 until (new PdfReader(fil)).getNumberOfPages).par.map(page => PdfTextExtractor.getTextFromPage(new PdfReader(fil), page)).mkString

val r = "ID No\\. : (\\d+)".r

val res = for (m <- r.findAllMatchIn(textFromPage )) yield m.group(0)

res.foreach(println)

在python中解析非结构化文本

3 个答案: