1

我有一个 pdf 文件，它有 300 页，每组页面都包含一个人的识别信息，例如社会安全号码。

假设 1-4 的页面用于社交号码 987-65-4320，5-6 的页面用于 987-65-4321

我想提取从第一个社交号码位置 到第二个社交号码位置的第一个员工的所有信息，然后将它们保存在一个新的 pdf 文件中。

我看到的所有示例都是关于从 pdf 文件中提取所有文本，而不是基于像这样的特定标准：

从pdf文件中提取文本

请告知如何做到这一点。

4

1 回答 1

1

这不是一种自动化技术，但您能否获取文本（我可能只是将 pdf 复制粘贴到文本文件中），并使用正则表达式查找您想要的信息？

在 Java 中，一些解析可能如下所示：

// 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));

但是没有看到您要保存的信息，我无法帮助您获取它。

如果我想要一个新的 PDF，我会将信息放入 Microsoft Word 或 Google Docs 并保存一个 PDF。

或者，如果您只想从一系列员工中“提取所有信息”，那么创建一个删除了一些页面的原始 PDF 副本是否可行？我见过允许您这样做的网站，但 Chrome 的（您可以使用它毫无问题地打开本地 PDF）打印对话框可以让您指定一系列页面，并将其保存为 PDF。

于 2012-07-17T17:52:28.397 回答