如何使用Borb通过正则匹配字体名称提取PDF文本？

核心思路是遍历PDF的每个页面，提取所有文本片段，通过正则表达式匹配片段的字体名称，筛选出符合条件的文本内容。

假设你已经有基础的Borb读取PDF的代码，下面是实现正则匹配字体的完整示例：

from borb.pdf import PDFDocument
from borb.pdf.canvas.layout.text.text_fragment import TextFragment
from borb.toolkit.text.simple_text_extraction import SimpleTextExtraction
import re

# 定义匹配字体的正则表达式（匹配以ABCD开头的字体名）
FONT_PATTERN = re.compile(r'^ABCD')

def extract_text_by_font_regex(pdf_path: str) -> str:
    extracted_text = []
    
    # 读取PDF文档
    with open(pdf_path, "rb") as f:
        doc = PDFDocument.loads(f)
    
    # 遍历每个页面
    for page in doc.get_pages():
        # 使用SimpleTextExtraction提取页面文本片段
        text_extractor = SimpleTextExtraction()
        page.apply_visitor(text_extractor)
        
        # 遍历每个文本片段
        for text_fragment in text_extractor.get_text_fragments():
            # 获取文本片段的字体名称
            font_name = text_fragment.get_font().get_font_name()
            
            # 用正则匹配字体名
            if FONT_PATTERN.match(font_name):
                extracted_text.append(text_fragment.get_text())
    
    # 拼接所有符合条件的文本
    return '\n'.join(extracted_text)

# 调用示例
if __name__ == "__main__":
    result = extract_text_by_font_regex("your_document.pdf")
    print(result)

关键部分说明 #

• 正则表达式：r'^ABCD' 会匹配所有以ABCD开头的字体名称，比如ABCD-Font、ABCD-Bold-Font都能命中。如果需要更精确匹配（比如只匹配以ABCD开头且以Font结尾的），可以修改为r'^ABCD.*Font$'。
• 获取字体名称：通过text_fragment.get_font().get_font_name()获取当前文本片段使用的字体名。
• 文本收集：将所有匹配成功的文本片段内容拼接成最终结果。

如果你的基础代码是通过其他方式（比如自定义Visitor）实现的，只需要在获取到TextFragment后加入正则匹配的逻辑即可，核心逻辑一致。

内容的提问来源于stack exchange，提问作者IamButtman