如何在Python读取PDF后提取11位特定格式数字

要提取PDF中符合指定格式的11位数字（含分隔符或纯数字形式），你需要修改正则表达式，精准匹配目标模式：

修改后的代码 #

from PyPDF2 import PdfReader
import re

reader = PdfReader(r"\\abcdacd.pdf")
number_of_pages = len(reader.pages)
page = reader.pages[0]
text = page.extract_text()

# 匹配两种带分隔符格式（xxx.xxx.xxx-xx / xxx.xxx.xxx.xx）及无分隔符的11位纯数字
target_numbers = re.findall(r'(?:\d{3}\.\d{3}\.\d{3}[-.]\d{2}|\d{11})', text)

# 可选：将带分隔符的数字转换为纯11位数字格式
cleaned_numbers = [re.sub(r'[-.]', '', num) for num in target_numbers]

print("原始格式匹配结果:", target_numbers)
print("纯数字格式结果:", cleaned_numbers)

代码说明 #

• 正则表达式(?:\d{3}\.\d{3}\.\d{3}[-.]\d{2}|\d{11})：
  • \d{3}\.\d{3}\.\d{3}[-.]\d{2}：匹配带点和连字符的两种目标格式
  • \d{11}：匹配无分隔符的11位纯数字（应对PDF文本提取时分隔符丢失的情况）
  • (?:...)是非捕获组，用于合并多个匹配模式，避免产生额外的分组结果
• 可选的cleaned_numbers处理：将带分隔符的结果统一转换为纯数字，方便后续使用

针对你的输出示例 #

运行修改后的代码，会提取出['04483203983']（原始格式），清理后得到['04483203983']，符合你需要的11位数字要求。

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