使用PDFminer.six提取PDF文本后，如何捕获特定短语及周边文本？

要找到短语的所有出现并保存周边文本，最简便的方式是用正则表达式定位所有匹配位置，再根据位置截取上下文内容，具体实现如下：

完整代码示例 #

from pdfminer.high_level import extract_text
import re

# 提取PDF文本
text = extract_text('Pdf Scanner/test.pdf')
# 目标短语
target_phrase = "vejkode"
# 定义上下文长度（前后各取n个字符，可按需调整）
context_length = 50
# 存储匹配结果的列表
matches_with_context = []

# 遍历所有匹配项
for match in re.finditer(re.escape(target_phrase), text):
    # 计算上下文起始索引（避免小于0）
    start_idx = max(0, match.start() - context_length)
    # 计算上下文结束索引（避免超过文本总长度）
    end_idx = min(len(text), match.end() + context_length)
    # 截取周边文本
    context = text[start_idx:end_idx]
    # 保存匹配详情
    matches_with_context.append({
        'position': match.start(),
        'phrase': match.group(),
        'context': context
    })

# 查看结果
for idx, item in enumerate(matches_with_context, 1):
    print(f"匹配项 {idx}:")
    print(f"位置：{item['position']}")
    print(f"上下文：{item['context']}\n")

关键说明 #

• re.escape(target_phrase)：如果目标短语包含正则特殊字符（如.、*），用该方法转义可避免匹配逻辑出错
• 索引边界处理：通过max(0, ...)和min(len(text), ...)确保不会因上下文长度设置过大导致索引越界
• 结果存储：用字典保存每个匹配的位置、短语和上下文，后续可直接遍历列表调用所需内容

内容的提问来源于stack exchange，提问作者SykesTheLord