python - 未从 PyPDF2 上的正则表达式接收 PDF 的正确模式

Question

我想从 PDF 中提取特定单词的所有实例，例如“数学”。 到目前为止，我正在使用 PyPDF2 将 PDF 转换为文本，然后对其进行正则表达式以找到我想要的内容。这是example PFD

当我运行代码而不是返回“数学”的正则表达式模式时，它返回整个页面的字符串。请帮忙谢谢

#First Change Current Working Directory to desktop

import os
os.chdir('/Users/Hussein/Desktop')         #File is located on Desktop


#Second is the PyPDF2

pdfFileObj=open('TEST1.pdf','rb')          #Opening the File
pdfReader=PyPDF2.PdfFileReader(pdfFileObj)
pageObj=pdfReader.getPage(3)               #For the test I only need page 3
TextVersion=pageObj.extractText()
print(TextVersion)



#Third is the Regular Expression

import re
match=re.findall(r'math',TextVersion)
for match in TextVersion:
      print(match)

我收到的不是仅仅获取“数学”的所有实例:

I
n
t
r
o
d
u
c
t
i
o
n

等等等等

Answer 1

TextVersion 变量保存文本。当您将它用于 for 循环时，它会像您所看到的那样一次为您提供一个字符的文本。 findall 函数将返回一个匹配列表，因此，如果您将其用于 for 循环，您将获得每个单词(在您的测试中它们都是相同的) .

import re

for match in re.findall(r'math',TextVersion):
      print(match)

findall 返回的结果类似于:

["math", "math", "math"]

所以你的输出将是:

math
math
math