如何在PDF文本中搜索“X COAs”格式子串（X为任意整数）

你的问题出在只用字符串匹配“ COAs”，会把包含这个子串的整行都拿过来，没法精准提取目标格式。改用正则表达式就能完美解决，它可以精准描述“任意整数 + 空格 + COAs”的规则。

修改后的代码如下：

import pdfminer
from pdfminer.high_level import extract_text
import re  # 导入正则模块

text = extract_text(pdfpath)
linebyline = text.splitlines()
numCOAs = "ERROR: NO COA NUMBER FOUND"

for line in linebyline:
    # 匹配「一个或多个数字 + 空格 + COAs」的格式
    match = re.search(r'\d+ COAs', line)
    if match:
        # 提取完整匹配内容，比如"15 COAs"
        numCOAs = match.group()
        break

print(f"There are {numCOAs}")

关键说明： #

• re.search(r'\d+ COAs', line)：\d+专门匹配1个或多个阿拉伯数字，后面跟空格和COAs，精准锁定你要的格式，不会误匹配其他包含“ COAs”的无关内容。
• match.group()：提取找到的完整匹配字符串，而不是整行内容，满足你精准定位的需求。
• 先初始化错误值，找到匹配后再更新，避免循环中不必要的赋值覆盖，逻辑更严谨。

如果需要单独提取整数部分，可以调整正则为r'(\d+) COAs'，然后通过match.group(1)拿到数字：

match = re.search(r'(\d+) COAs', line)
if match:
    coa_num = int(match.group(1))  # 转为整数类型
    numCOAs = f"{coa_num} COAs"

内容的提问来源于stack exchange，提问作者Kali