用Python从PDF中提取文本

我有一个PDF格式的完整引用：

我可以使用以下代码提取python中的文本：

import PyPDF2

pdfFileObj = open('example.pdf','rb') 
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
pageObj = pdfReader.getPage(0)         
print (pageObj.extractText())

---

这会将所有引号作为一个段落返回。是否可以用水平分隔符“拆分”pdf并将其拆分为引号？

我找不到用水平分隔符拆分的方法，但我设法用另一种方法：

import PyPDF2

quotes = []

pdfFileObj = open('test.pdf','rb') 
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
pageObj = pdfReader.getPage(0)         
for x in (pageObj.extractText()).split('"\n'): print x+"\n"*5

---

如果只想从pdf文本中提取引号，可以使用

regex

查找所有引号

import PyPDF2
import re
pdfFileObj = open('test.pdf','rb') 
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
pageObj = pdfReader.getPage(0)         
text = str(pageObj.extractText())

quotes = re.findall(r'"[^"]*"',text)
for quote in quotes:
    print quote
    print 

或者只是

quotes = re.findall(r'"[^"]*"',text)
print quotes

---

你能提供一个文本的例子和一个你希望它看起来如何的例子吗？链接将转到PDF。在这个PDF中有两个短语。我希望将这两个短语/引号提取到两个字符串变量中，然后进一步处理。非常感谢。它似乎起作用了。你能解释一下正则表达式吗？我不太明白。我的主要目标是提取，也许你可以快速查看一下。我想我可以从这个pdf中学习，但不确定我是否可以。你想从这个pdf中提取什么？没有引用，与您的问题完全不同。最终目标是JSON对参考资料、日期、申请人、地点和提案。我创建了另一个pdf，试图学习如何将其应用于主pdf，但我认为代码不可转移。请在您的答案周围添加上下文，以供将来学习和防止否决。（摘自《评论》）。

import pdfplumber

pdf = pdfplumber.open(file_path)

p0 = pdf.pages[0]

text = p0.extract_text()

text