如何在某些模式之间从 PDF 中提取文本答案

【问题标题】：how to extract text from PDF between some patterns如何在某些模式之间从 PDF 中提取文本
【发布时间】：2020-11-03 20:21:30
【问题描述】：

我有数千份 PDF 格式的文档（德文）。我需要从每个文本中提取一部分文本，这些文本通常在日期之后并在日期、位置、地址信息之前结束，几乎在页面末尾。附上一个例子。我需要的文本被突出显示。

到目前为止我尝试的是qdapRegex::rm_between：

library(pdftools)
library(qdapRegex)
t1 <- pdf_text("textsample.pdf")
textIneed <- rm_between(t1, "Datum", ", den" )

这不起作用。输出是整个文本内容，包括名称、Vorame 等（我可以在开始时接受 20.01.2019 的日期。）我做错了什么我不清楚，因为我是 regex 和 nlp 的新手，不能在阅读rm_between 或qdapRegex 的文档时发现它。

我的第一个问题是让它工作。

进一步的问题是，这些文档不是标准的，并且某些文档可能有其他类型的信息，例如，Ref:1234 而不是突出显示区域之前的日期。这篇文章可以在文档的任何页码中找到，因此不能选择准确的页码。

是否有任何其他解决方案、库等可用于或多或少地提取这部分文本？

【问题讨论】：

你想要的所有段落是否都从页面上的某个高度开始，或者也可以改变？
也可以变化。
您可以尝试使用我的 PDF 文本提取包，使用 devtools::install_github("https://github.com/AllanCameron/PDFR")。如果您使用PDFR::pdfdoc()，这应该为您单独提取段落，您可以根据字体、位置、长度等过滤它们。
试试textIneed <- rm_between(paste(t1, collapse="\n"), "Datum", ", den" )
非常感谢。我试过这个@Wiktor Stribizew，但结果还是一样。

标签： python r regex nlp

【解决方案1】：

我认为对此没有一个很好的简单答案。使用正则表达式可以捕获介于两者之间的文本，但如果您有多个或复杂的模式要匹配，则表达式可能会变得非常复杂。让我们举个简单的例子，使用一些虚拟的德语文本，并期望您想要获取日期（格式为 dd.mm.yyyy 或 dd.mm.yy）或 ref:[at least one digit] 和 ", den XX " 但不包括之前的最后一个单词（位置）。

我将使用stringr 包：

# generate some text (with new lines)
t1 <- c("Du möchtest also den Text zwischen dem Datum 13.07.2020
        am Anfang und den Ort bzw. Datum am Ende extrahieren.
        Freiburg, den 13. Juli 2020",
        "Oder den Text nach einem ref:384 übernehmen bis zum Datum am Ende.
        Freiburg, den 13. Juli 2020")

# extract the parts
textIneed <- stringr::str_match(t1,
"(?:\\d{2}\\.\\d{2}.\\d{2,4}|ref:\\d+)((.|\n)*)\\s\\w+, den \\d{1,2}")[,2]

# trim white space
# (this could be done before extraction too, to simplify the text)
trimws(textIneed)
#> [1] "am Anfang und den Ort bzw. Datum am Ende extrahieren."
#> [2] "übernehmen bis zum Datum am Ende."

我在这里所做的是将第一个元素与(?:\\d{2}\\.\\d{2}.\\d{2,4}|ref:\\d+) 匹配，然后捕获所有内容，包括((.|\n)*) 之间的新行，但不是, den \\d{1,2} 之前的最后一个单词\\s\\w+。

要学习正则表达式，可以使用多种资源，例如 RegexOne

【讨论】：