含换行符的PDF搜索短语匹配失败：无法提取指定首尾短语页面

• 问题核心：PDF文本提取时，换行符常被转换为空格、制表符或其他空白字符，而非标准的\n，直接用Test\n1. Applicability自然匹配失败
• 解决思路：
  • 用空白字符通配符替代固定换行符，正则表达式里用\s+匹配任意数量空白（含换行、空格、制表符），匹配语句写为Test\s+1\. Applicability
  • 预处理提取的PDF文本：把所有空白字符统一替换为单个空格，再用Test 1. Applicability作为搜索词匹配
• 工具实操（以Python的PyPDF2库为例）：

  import PyPDF2
  import re
  
  def extract_matching_pages(pdf_path, pattern):
      matched_pages = []
      with open(pdf_path, 'rb') as f:
          reader = PyPDF2.PdfReader(f)
          for page_num, page in enumerate(reader.pages, 1):
              text = page.extract_text()
              # 统一空白字符格式
              cleaned_text = re.sub(r'\s+', ' ', text)
              if re.search(pattern, cleaned_text):
                  matched_pages.append(page_num)
      return matched_pages
  
  # 调用示例
  result = extract_matching_pages("your_large.pdf", r'Test 1\. Applicability')
  print(f"匹配页面：{result}")
  

• 注意事项：大体积PDF建议分块处理避免内存溢出；部分PDF存在文本乱序，需先验证文本提取的准确性

内容的提问来源于stack exchange，提问作者jcm5