基于正则表达式从pdf文件中提取文本？
基于正则表达式从pdf文件中提取文本？
提问于 2012-07-17 16:41:27
我有一个pdf文件，有300页，每一套网页包含一个人的识别信息，如社会保障号码。
假设1-4页为社会编号987-65-4320，5-6页为987-65-4321页。
我想提取第一个员工的所有信息，从开始，从第一个社会号码位置到第二个社会号码位置，然后将它们保存在一个新的pdf文件中。
我看到的所有例子都是关于从pdf文件中提取所有文本，而不是基于这个特定的标准：
请建议如何做到这一点。
回答 1
Stack Overflow用户
回答已采纳
发布于 2012-07-17 17:52:28
这不是一个自动化的技术，但你能得到文本(我可以复制粘贴pdf到一个文本文件)，并使用一个正则表达式，以找到你想要的信息？
在Java中，一些解析可能类似于：
// Matches 3 digits, a dash, 2 digits, a dash, and four digits, and then all text
// until it finds another SSN
String text = "987-65-4320 some info 987-65-4321 other \ninfo";
Pattern p = Pattern.compile("(\\d{3}-\\d{2}-\\d{4})((?:.(?!\\d{3}-\\d{2}-\\d{4}))*)", Pattern.DOTALL);
Matcher m = p.matcher(text);
while (m.find())
System.out.println(m.group(1) + ": " + m.group(2));但是没有看到您想要保存的信息，我无法帮助您获得它。
如果我想要一个新的PDF，我会把信息放入微软Word或谷歌文档，并保存PDF。
Alternatively，如果你只想从一组员工中“提取所有的信息”，那么创建一个删除了一些页面的原始PDF的副本会有效吗？我见过让你这么做的网站，但Chrome(你可以用它打开本地PDF，没有问题)打印对话框可以让你指定页面范围，并将其保存为PDF格式。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/11527050
复制相关文章
相似问题
腾讯云开发者
