使用pdftotext提取特定数据

Question

我正在使用pdftotext Python库从PDF文档中提取一些数据。

import pdftotext
# Load your PDF
with open("text2.pdf", "rb") as f:
pdf = pdftotext.PDF(f)

# How many pages?
print(len(pdf))

data = "nn".join(pdf)
# Read all the text into one string
print(data)

提取的数据为:

Account Name               :Mr. SX
Account Name               :Mr. XX XX XX
Address                  : Address detaisls

Date                        :7 Sep 2021
Account Number               :00000031873583221
Account Description          :REGULAR SB CHQ-INDIVIDUALS
Branch                      :SSI 
Drawing Power               :0.00

整个数据是字符串，但我想只提取帐户号码。我使用正则表达式:

^(Accounts+Number).*$

但不知道如何从整个字符串中提取数据。

Answer 1

你可以试试:

>>> 'n'.join([re.sub(r'Account Numbers+:', '', line) for line in data.splitlines() if 'Account Number' in line])
'00000031873583221'
>>> 

不使用regex更容易:

>>> 'n'.join([line.split(':')[-1] for line in data.splitlines() if 'Account Number' in line])
'00000031873583221'
>>>