Python提取PDF中被换行拆分的CPF/CNPJ失败，寻求解决方法

一、优化现有代码的解决方案 #

方法1：清理文本中的所有空白字符 #

PyPDF2提取文本时可能会在CPF/CNPJ中间插入换行或空格，导致正则无法匹配。可以先移除所有空白字符（换行、空格、制表符等），让原本拆分的内容拼接成完整的格式：

修改代码中的文本处理部分：

# 提取页面文本
texto = pdf.getPage(p).extractText()
# 移除所有空白字符（替换任意数量的空白为空字符串）
texto_limpo = re.sub(r'\s+', '', texto)
# 用清理后的文本匹配CPF/CNPJ
cnpjs = re.findall(r'\d{2}\.\d{3}\.\d{3}/\d{4}-\d{2}', texto_limpo)
cpfs = re.findall(r'\d{3}\.\d{3}\.\d{3}-\d{2}', texto_limpo)

这样像31.111.111\n/0001-64的内容会被处理成31.111.111/0001-64，正则就能正常匹配。

方法2：修改正则允许中间存在空白字符 #

如果不想完全移除空白，可以调整正则表达式，允许CPF/CNPJ的各个组成部分之间有任意空白字符：

# 匹配允许中间有空白的CNPJ和CPF
cnpjs = re.findall(r'\d{2}\.\s*\d{3}\.\s*\d{3}\s*/\s*\d{4}\s*-\s*\d{2}', texto)
cpfs = re.findall(r'\d{3}\.\s*\d{3}\.\s*\d{3}\s*-\s*\d{2}', texto)

其中\s*表示匹配0个或多个空白字符（包括换行、空格、制表符），这样即使内容被拆分，也能匹配到完整的号码。

二、替代PDF读取库推荐 #

PyPDF2的文本提取能力有限，对于复杂排版的PDF容易出现文本拆分问题，推荐以下更可靠的库：

1. pdfplumber #

专注于PDF文本提取和数据分析，能精准识别文本布局，减少内容拆分的情况：

• 安装：pip install pdfplumber
• 代码示例：

import pdfplumber

# 替换原有的PDF读取逻辑
with pdfplumber.open(valores["file_path"]) as pdf:
    lista = []
    for page in pdf.pages:
        texto = page.extract_text()
        texto_limpo = re.sub(r'\s+', '', texto)
        cnpjs = re.findall(r'\d{2}\.\d{3}\.\d{3}/\d{4}-\d{2}', texto_limpo)
        cpfs = re.findall(r'\d{3}\.\d{3}\.\d{3}-\d{2}', texto_limpo)
        lista.extend(cpfs)
        lista.extend(cnpjs)

2. PyMuPDF（fitz） #

提取速度快，文本质量高，对各种PDF格式兼容性好：

• 安装：pip install pymupdf
• 代码示例：

import fitz

# 替换原有的PDF读取逻辑
doc = fitz.open(valores["file_path"])
lista = []
for page in doc:
    texto = page.get_text()
    texto_limpo = re.sub(r'\s+', '', texto)
    cnpjs = re.findall(r'\d{2}\.\d{3}\.\d{3}/\d{4}-\d{2}', texto_limpo)
    cpfs = re.findall(r'\d{3}\.\d{3}\.\d{3}-\d{2}', texto_limpo)
    lista.extend(cpfs)
    lista.extend(cnpjs)
doc.close()

内容的提问来源于stack exchange，提问作者Carlos.Correia