regex 如何使用python提取PDF文件的正确页码

uinbv5nw 于 2023-01-03 发布在 Python

关注(0)|答案(1)|浏览(136)

代码提取了下面提到的每页的页码，但我需要实际的页码，这是文件的页码，而不是文档的页码。我还附上了屏幕截图，并用红色标记了需要提取的页码。请仔细查看。

这是我试过的代码。

import PyPDF2
import re

obj = PyPDF2.PdfFileReader(r"avnet_202209 (1).pdf")

pgno = obj.getNumPages()

S = "Basis of presentation and new accounting pronouncements"

for i in range(0, pgno):
    PgOb = obj.getPage(i)
    Text = PgOb.extractText()
    if re.search(S,Text):
         print("String Found on Page: " + str(i))

结果是：在页面上找到字符串：7在页面上找到字符串：22
所需输出：在页面上找到字符串：8在页面上找到字符串：23

regex

来源：https://stackoverflow.com/questions/74872895/how-to-extract-proper-page-number-of-a-pdf-using-python

1条答案

按热度按时间

zte4gxcn1#

你可能指三件事。
我假设你安装了pypdf。我成为了pypdf和PyPDF2的维护者。我们只继续开发pypdf和pypdf已经拥有了PyPDF2的所有特性。

1.页面索引

这就是我们的出发点。如果你迭代页面，你只需要保存索引：

from pypdf import PdfReader

reader = PdfReader("example.pdf")
for index, page in enumerate(reader.pages)
    ...

例如，当我想打印一些东西时，我需要输入（index+1）。

2.总页数

from pypdf import PdfReader

reader = PdfReader("example.pdf")
print(f"The PDF document has {len(reader.pages)} pages in total")

3.页面标签

例如，this file的前几页标记为i、ii ...
这些称为“页面标签”。
我最近向add support in pypdf添加了一个PR
我会在星期天（01.01.2023）发布最新版本。然后您可以执行以下操作：

from pypdf import PdfReader

reader = PdfReader("example.pdf")
for index, page in enumerate(reader.pages)
    print(f"index={index}: label={reader.page_labels[index]}")

赞(0）回复(0）举报 2023-01-03

我来回答

regex 如何使用python提取PDF文件的正确页码

1条答案

2.总页数

3.页面标签

相关问题

热门标签

最新问答