如何用Python从格式统一的多份PDF首页提取加粗作者名？

PyPDF2提取的是纯文本，不会保留字体加粗这类格式信息，这就是你没法直接提取加粗作者名的核心原因。下面提供两种可行的解决方案：

方法1：用PyMuPDF（fitz）提取带格式的文本 #

PyMuPDF可以获取每个文本片段的字体属性，通过判断字体是否为粗体来筛选目标内容：

import fitz  # 先安装依赖：pip install pymupdf

def extract_bold_authors(pdf_path):
    doc = fitz.open(pdf_path)
    page = doc[0]  # 取第一页
    bold_texts = []
    # 遍历页面内的文本块、行、文本片段
    for block in page.get_text("dict")["blocks"]:
        if "lines" in block:
            for line in block["lines"]:
                for span in line["spans"]:
                    # 通过字体标记或字体名判断是否为粗体
                    if (span["flags"] & 2) == 2 or "Bold" in span["font"]:
                        bold_texts.append(span["text"].strip())
    doc.close()
    # 根据你的PDF格式，筛选出作者名（比如排除加粗标题、期刊名等无关内容）
    return bold_texts

# 调用示例
authors = extract_bold_authors("pdf_file")
print(authors)

方法2：结合文本上下文与正则提取 #

如果你的PDF格式高度统一，加粗作者名和邮箱有固定位置关联（比如作者名在邮箱上方，或同一行的前缀部分），可以先定位邮箱，再匹配附近的文本：

import PyPDF2
import re

def extract_author_from_context(pdf_path):
    reader = PyPDF2.PdfReader(pdf_path)
    page = reader.pages[0]
    text = page.extract_text()
    # 定位邮箱位置
    email_pattern = r"\{([^}]+)\}"
    email_match = re.search(email_pattern, text)
    if not email_match:
        return None
    # 按行分割文本，匹配邮箱所在行的上下文
    lines = text.split("\n")
    for idx, line in enumerate(lines):
        if email_match.group() in line:
            # 假设作者名在邮箱所在行的上一行，可根据实际排版调整
            if idx > 0:
                return lines[idx-1].strip()
            else:
                return line.split(email_match.group())[0].strip()
    return None

# 调用示例
author = extract_author_from_context("pdf_file")
print(author)

注意事项 #

• 方法1需要根据PDF实际内容，对提取到的加粗文本做二次筛选，排除非作者名的加粗内容。
• 方法2依赖固定排版，若PDF格式有变动，需调整上下文匹配的逻辑。

内容的提问来源于stack exchange，提问作者merkle