python正则匹配repdf数据

Question

python正则匹配提取pdf中的数据，数据都在文本表格中，匹配的数据是Cm 1.9<3<3.3，Cmk 8.4<9<9.6,还有Char.Descr. intapple 8999N（有数字和字母），pdf一共4页，每一页的Cm，Cmk和Char.Descr后的数据不同
但是他们中间相隔距离较远，需要提取其后面的数据，数据都在不规则表格中,用group存储

Answer 1

引自免费微信小程序：皆我百晓生

要从PDF中提取特定格式的数据，我们可以使用Python的PyPDF2库来读取PDF内容，并结合正则表达式进行匹配。然而，由于PDF文件结构复杂且包含图形、图像等元素，直接解析文本可能并不容易。对于复杂的PDF，可能需要借助第三方工具如tabula-py来识别表格。

首先，请确保安装了所需的库：

pip install PyPDF2 tabula-py

接下来是一个基本的示例，展示了如何使用tabula-py来提取表格数据，然后通过正则表达式匹配所需的关键字和数据。这个例子假设所有的数据都在表格中，如果不在表格中，你可能需要探索其他方法来定位这些文本。

import re
import tabula

# 定义要匹配的模式
patterns = [
    r"Cm\s+(\d+\.\d+)<\d+<\d+\.\d+",
    r"Cmk\s+(\d+\.\d+)<\d+<\d+\.\d+",
    r"Char\.Descr\..*?(\w+\s+\d+[\w\d]+N)",
]

def extract_data(pdf_path):
    # 使用tabula提取所有表格内容为DataFrame
    tables = tabula.read_pdf(pdf_path, pages="all")

    data_dict = {}
    
    for table in tables:
        for i, row in table.iterrows():
            for pattern in patterns:
                match = re.search(pattern, str(row))
                if match:
                    key, value = match.groups()
                    if key not in data_dict:
                        data_dict[key] = []
                    data_dict[key].append(value)

    return data_dict

pdf_path = "your_pdf_file.pdf"
data = extract_data(pdf_path)
print(data)

将your_pdf_file.pdf替换为你的PDF文件路径。这段代码会读取PDF中的所有表格，对每一行进行正则匹配，找到匹配的模式后将其添加到字典中。字典的键是匹配模式的一部分，值是一列表，存储每一页找到的所有对应值。

注意：这种方法依赖于tabula-py库正确识别表格。如果PDF中的表格结构复杂，可能需要调整正则表达式以适应不同的文本格式，或者尝试其他PDF处理库，如pdfplumber或pdfminer.six。

如果你的PDF中表格不明显或者数据分布非常不规律，那么你可能需要使用OCR（光学字符识别）技术来转换PDF为可搜索的文本，然后再进行分析。在这种情况下，可以考虑使用pytesseract库与Google的Tesseract OCR引擎结合。但这也增加了复杂性，因为OCR结果可能会有误识率。