问如何使用pdftotext从PDF文件中提取多个邮件地址
EN

Stack Overflow用户

提问于 2016-09-06 23:37:35

回答 2查看 172关注 0票数 0

我在bash脚本中使用pdftotext，试图从PDF邮资标签中提取姓名和地址。

一个PDF文件示例：

Delivered By:

1st Class
Postage on Account GB

First Last
HouseName
Street
Town
County
Postcode

Customer Reference: 12400 / 203 1

32224983765

RETURN TO: MyName,
DoorNumber, Street, Town,
City, Postcode, Country

121-0434 905 20200-000 6190 C228

Delivered By:

1st Class
Postage on Account GB

First Last
HouseNumber
Street
Town
Postcode

Customer Reference: 12401 / 200 1

32224286536

RETURN TO: MyName,
DoorNumber, Street, Town,
City, Postcode, Country

121-0434 905 20200-000 6190 C414

请注意：

地址没有固定的长度。有些只有4行，我看过有的有6行。
在PDF文件中的地址数目将不会预先知道。

到目前为止，我刚刚得到：

pdftotext label.pdf - | grep -A10 "Postage on Account GB" | tail -n+3 | head -n -3

-避免创建文件。grep -A10输出匹配"Postage on Account GB"中的前10行。tail -n+3移除匹配项和下一行。head -n -3移除最后3行。当文件中只有一个由6行组成的地址时，这样做很好，但是当涉及到多个地址和不同的长度时，我会陷入困境。

简单地说，我想从Postage on Account GB之后的空行之后提取数据，直到下一行之前的空行。然后格式化输出，以便地址是逗号分隔的，并且每一个都在一个新行上，例如：

First Last, HouseName, Street, Town, County, Postcode
First Last, HouseNumber, Street, Town, Postcode

pipe

regex

bash

pdf

grep

回答 2

Stack Overflow用户

回答已采纳

发布于 2016-09-07 00:36:14

最新答案

根据你的意见，我更新了我的答复如下：

pdftotext file.pdf - | perl -00 -wnl -e 'BEGIN{$a=$r=0} if($a){($add=$_)=~tr/\n/,/; $r=1; $a=0; next} if($r){printf "%s,%s\n",$_,$add;$r=0} $a=1 if m/Postage on Account/;'

每次通过循环读取一条记录--由于-00，记录由上面和下面的空行分隔。在开始时，我将$a和$r标志设置为零，这意味着我们不查看地址或引用。如果我们正在寻找一个地址，我将所有的新行翻译成逗号，并注意到我们现在正在寻找一个参考。如果我们找到一个引用，我们打印它和保存的地址，并注意我们不再查看一个地址或一个引用。如果我们发现字符串“邮资帐户”，我们注意到，我们现在期待一个地址如下。

样本输出

Customer Reference: 12400 / 203 1,First Last,HouseName,Street,Town,County,Postcode
Customer Reference: 12401 / 200 1,First Last,HouseNumber,Street,Town,Postcode

原始答案

我想我应该在段落模式下使用Perl：

pdftotext file - | perl -00 -wnl -e 'BEGIN{$p=1} if($p==1){tr/\n/,/;print;$p=0}; $p=1 if /Postage/'

-00将Perl设置为段落模式，将每个空行分隔块作为段落处理。BEGIN{...}设置打印标志($p)，以便打印第一行。在随后的段落中，当设置了打印标志时，换行符将被更改为带有tr的空格，并打印段落并重置标志。最后，每当我们看到单词Postage，就会设置打印标志。

票数 0

Stack Overflow用户

发布于 2016-09-06 23:59:40

 pdftotext filename.pdf - |sed -n '/Postage on Account GB/,/Customer Reference:/{/Postage on Account GB/!{/Customer Reference:/!p}}' |grep . |tr '\n' ',' |sed 's/,$//g' |sed "s/Postcode/&\n/g" |sed 's/^,//g'
First Last,HouseName,Street,Town,County,Postcode
First Last,HouseNumber,Street,Town,Postcode