如何使用pdfminer.six查找PDF中指定字符串的所在页码？

要实现查找指定字符串的PDF页码，核心思路是逐页提取文本并匹配目标字符串，同时跟踪对应的页码。下面给出两种可行的实现方法，同时纠正你原代码中的问题。

方法一：通过extract_pages逐页解析布局提取文本 #

这种方法可以更精细地控制文本提取，适合处理复杂PDF布局的场景：

from pdfminer.high_level import extract_pages
from pdfminer.layout import LTTextContainer

def find_target_page(pdf_path, target_str):
    # 遍历每一页，页码从1开始（符合PDF的页码习惯）
    for page_num, page_layout in enumerate(extract_pages(pdf_path), start=1):
        page_text = ""
        # 遍历页面中的所有文本容器，拼接完整文本
        for element in page_layout:
            if isinstance(element, LTTextContainer):
                page_text += element.get_text()
        # 检查目标字符串是否存在于当前页
        if target_str in page_text:
            print(f"目标字符串 '{target_str}' 位于第 {page_num} 页")
            # 如果只需要第一个匹配结果，可直接返回页码
            # return page_num
    # 遍历完成未找到的情况
    print(f"未找到包含 '{target_str}' 的页面")

# 调用示例
pdf_file = "sample.pdf"
target_string = "File 2"
find_target_page(pdf_file, target_string)

方法二：用extract_text直接提取单页文本（更简洁） #

如果不需要处理复杂布局，直接用extract_text的page_numbers参数指定单页提取，代码更简洁：

from pdfminer.high_level import extract_text, extract_pages

def find_target_page_simple(pdf_path, target_str):
    # 获取PDF总页数
    total_pages = len(list(extract_pages(pdf_path)))
    # 逐页提取文本并匹配
    for page_num in range(1, total_pages + 1):
        page_text = extract_text(pdf_path, page_numbers=[page_num])
        if target_str in page_text:
            print(f"目标字符串 '{target_str}' 位于第 {page_num} 页")
            # return page_num
    print(f"未找到包含 '{target_str}' 的页面")

# 调用示例
find_target_page_simple(pdf_file, target_string)

原代码的问题说明 #

你之前的代码存在两个关键问题：

1. 每次循环都调用extract_pages(file)会重复解析整个PDF，极大浪费性能；
2. 仅调用了extract_pages但没有提取页面文本进行字符串匹配，无法实现定位逻辑。

内容的提问来源于stack exchange，提问作者Quinten