PythonでPDFから任意の文字列を抽出したいです

Question

PDFから以下の文字だけを抜き出したいのですが、
「請求No. 1000000〇〇〇〇〇」(←〇は数字半角5桁)

↓のコードですと、全部テキストが抽出されてしまいます。
どう記載したらよろしいでしょうか。

from pdfminer.high_level import extract_text

FILE_PATH = 'C:/Users/Downloads/1.pdf'

text = extract_text(FILE_PATH)
print(text)

Answer 1

文字列として取得できたのであれば、あとは正規表現なりで必要な部分のみ抽出すればよいかと思います。

import re

text = 'aaa請求No. 100000000001999\nbbb請求No. 100000012345ccc\nddd請求No. 1000000abcde'

ret = re.finditer(r'請求No\. 1000000(\d{5})', text, re.DOTALL | re.MULTILINE)
for e in ret:
    print(e.group(0,1))

#('請求No. 100000000001', '00001')
#('請求No. 100000012345', '12345')

Comments

[GKHHKJ]

正規表現、勉強になりました。教えてくださりありがとうございます。

Answer 2

のコードですと、全部テキストが抽出されてしまいます。どう記載したらよろしいでしょうか。

PDFファイルは、ページの描画に必要な、文字をどの位置にどんなフォントでどんな色で出力するか、図形をどんな..、という情報は持っている。けれど、文字1212が金額なのか、日付なのか、学生番号なのか、請求書Noなのかは、興味の範囲外。

抽出できた全部のテキストから、目的の文字列を探すしかないでしょう。

そのライブラリは知りませんが、訊き方によっては、文字の位置も教えてくれるかもしれません。ページの右上の1212なのか、下部中央の1212なのかがわかると、もうすこし絞り込み易くなるかもしれません。

追記。

アクセシビリティ機能 https://helpx.adobe.com/jp/acrobat/using/accessibility-features-pdfs.html が適用された請求書であれば、文脈が定義されているのかもしれません。定義された文脈から請求書Noを容易に取得できるのかもしれません。よく知りませんが。