如何用Python提取PDF的实际文件页码而非文档标注页码

问题背景 #

使用PyPDF2提取指定文本所在页码时，返回的是PDF文档的内部页面索引（从0开始计数），但实际需要的是PDF文件显示的页码（比如代码输出7、22，但实际显示为8、23）。

解决方案 #

方案1：直接索引偏移（适用于页码连续从1开始的情况） #

大多数PDF的实际显示页码是内部索引+1，只需将代码中输出的索引值加1即可：

import PyPDF2
import re

# 新版本PyPDF2推荐使用PdfReader替代旧版PdfFileReader
reader = PyPDF2.PdfReader(r"avnet_202209 (1).pdf")

target_text = "Basis of presentation and new accounting pronouncements"

# 遍历所有页面，enumerate返回索引和页面对象
for page_index, page in enumerate(reader.pages):
    page_text = page.extract_text()
    if re.search(target_text, page_text):
        # 索引+1得到实际显示页码
        print(f"String Found on Page: {page_index + 1}")

方案2：解析PDF页码标签（适用于存在页码偏移的复杂情况） #

如果PDF包含无页码的封面、目录等页面，实际页码并非从内部索引0开始计数，需要读取PDF的/PageLabels字典来获取准确的显示页码：

import PyPDF2
import re

reader = PyPDF2.PdfReader(r"avnet_202209 (1).pdf")
target_text = "Basis of presentation and new accounting pronouncements"

# 获取所有页面的标签映射信息
page_label_info = reader.page_labels

for page_index, page in enumerate(reader.pages):
    page_text = page.extract_text()
    if re.search(target_text, page_text):
        # 从标签信息中提取实际显示页码
        actual_page = page_label_info[page_index]["number"]
        print(f"String Found on Page: {actual_page}")

注意：如果PDF未定义页码标签（/PageLabels），page_labels会默认返回索引+1的数值，和方案1效果一致。

内容的提问来源于stack exchange，提问作者Anil Soren