在python中从pdf文本中提取第一行

我正在用“\n”拆分从pdf中提取的文本，但拆分后字符串的位置有问题。对于某些情况，它与[0]一起工作，而对于某些情况，它与[2]一起工作。我想把它放在一个循环中，从页面中提取第一行，而不管位置如何

这是我的密码：

for fil in new_pdf_files:
    object = PyPDF2.PdfFileReader(fil)
    pdfFileObj = open(fil, 'rb')
    pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
    pageObj = pdfReader.getPage(1)
    s= (pageObj.extractText())
    name =s.split("\n")[0]  
    print(name)

pdf文本提取

第一次pdf文本提取 “\n\nPIERRE AVENIR 2\n\n99年资本金不动产安置公民协会\n\n\n\nSiège social\n\n:167，quai de la”

\n出现在其他一些名称的前面

第二次pdf文本摘录

“ADVINI\n\n\nSociétéanonomeádirectoire et\n seil de surveillance\n\na\nu capital”

名称前不存在\n

---

需要提取的PIERRE AVENIR 2和ADVINI

首先使用strip去除前导和尾随空格：

name =s.strip().split("\n")[0]

对于新pdf文件中的fil：
对象=PyPDF2.PdfileReader（fil）
PdfileObj=打开（fil，‘rb’）
pdfReader=PyPDF2.PdfileReader（PdfileObj）
pageObj=pdfReader.getPage（1）
s=（pageObj.extractText（））
name=s.split（“\n”）
以我的名义：
如果我不在[“”，“”，“，”]：
印刷品（一）
打破

---

我相信，如上所述循环数组名称可能会解决您的问题。

在使用拆分获取第一行之前，您可以简单地使用正则表达式删除任何要忽略的前导字符：

    import re
    
    for fil in new_pdf_files:
        object = PyPDF2.PdfFileReader(fil)
        pdfFileObj = open(fil, 'rb')
        pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
        pageObj = pdfReader.getPage(1)
        s= (pageObj.extractText())
        name = re.sub("^[ ,\n]+", "", s).split("\n")[0]  
        print(name)