读取pdf文件转为txt文件,使用正则表达式删除页码

通过下述链接中的代码python 读取pdf中的文本,读取pdf的文字到txt文本中。

txt文本中,包含pdf的页码信息,使用如下代码删除pdf的页码

下述是包含页码信息的一段文本,在其中给出了4中不同格式的页码信息。

python 复制代码
text = """
这是第一段文本。  

- 1 -     

这是第二段文本。  

--- 1 ---  

这是第三段文本。  

1  

这是第四段文本。  

I  

这是第五段文本。  
"""
python 复制代码
import re
# 匹配页码信息的正则表达式
page_nums = [
    r'\n- \d+ -( *?)\n',
    r'\n--- \d+ ---( *?)+\n',
    r'\n\d+( *?)\n',
    r'\nI+( *?)\n',
]

# 编译所有正则表达式,并准备替换为空字符串
patterns = [re.compile(pattern) for pattern in page_nums]

# 遍历所有正则表达式并替换匹配的文本
for pattern in patterns:
    text = pattern.sub('', text)

# 输出清理后的文本
print(text)

程序运行结果如下,删除掉页码之后的文本如下:

相关推荐
小墨宝2 小时前
js 生成pdf 并上传文件
前端·javascript·pdf
热水养鲨鱼7 小时前
Java实现HTML转PDF(deepSeekAi->html->pdf)
人工智能·pdf·html
开开心心_Every19 小时前
体积小巧的 Word 转 PDF 批量工具
pdf
一眼青苔19 小时前
切割PDF使用python,库PyPDF2
服务器·python·pdf
zyk_52021 小时前
前端渲染pdf文件解决方案-pdf.js
前端·javascript·pdf
IDRSolutions_CN1 天前
如何将 PDF 中的文本提取为 JSON 格式
java·经验分享·pdf·软件工程·团队开发
南博萬1 天前
java将pdf转换成word
java·pdf·word
zhishishe1 天前
2025 年免费 Word 转 PDF 转换器有哪些?
android·windows·pdf·电脑·word
.m2 天前
几种Word转换PDF的常用方法
pdf
前端开心果2 天前
vue实现静默打印pdf
前端·vue.js·pdf