Python抓取非结构化PDF

Question

我们从供应商处每两周发布软件一次，该供应商向我们提供了PDF版本说明。笔记中有很多不相关的内容，但是最终我们需要手动将这些笔记中的信息复制/粘贴到Confluence页面中。

理想情况下，我希望能够编写python应用程序，以便将某些部分从PDF中抓取。结构大致如下（其中粗体部分是我要提取的部分）：

1. 简介
2. 新功能
   2.1。 新功能1
   说明
   2.2 新功能2
   说明
   。
   。
   。
   2.x）新功能X 说明
3. 缺陷修复
   说明
   带有缺陷描述的表

在这种情况下文档的其余部分无关

我设法获取它来导入文件并提取（全部）文本，但是我真的不知道如何仅提取第2部分的标题，然后对于第3部分仅提取表格并重新格式化它与熊猫。有关如何进行此操作的任何建议？

import fitz

filename = '~\releasenotes.pdf'

doc = fitz.open(filename)
print (doc) #  Just to see what comes out

（现在我该怎么办？）

Answer 1

一个简单的正则表达式（正则表达式）应该可以解决问题。我正在对从pdf阅读出来的文本的外观做出一些大的假设-我已经复制了您帖子中的文本，并根据您的问题将其称为“ doc”：）

C3

让我打开最后一行的包装： For Each将在您的文档中生成与搜索字符串匹配的项目列表 import re #regular expression library doc = ''' Introduction New Features 2.1. New Feature 1 description 2.2 New Feature 2 description . . . 2.x) New Feature X description ''' ds_features = pd.Series(re.findall('2.[1-9].*\n', doc)) 将找到re.findall的所有实例，后跟'2.[1-9].*\n'中的任何数字，再后跟任意数量的字符2.，直到到达换行符[1-9]。

希望这符合要求吗？