Python使用PyPDF2提取PDF文本首行索引不一致如何处理

实现逻辑 #

对\n分割后的行做空白过滤，自动跳过前置空行后取第一条内容即可适配两类PDF的提取需求，同时优化原有代码的资源泄漏问题。

可直接运行的代码 #

import PyPDF2

for fil in new_pdf_files:
    with open(fil, 'rb') as pdf_file:
        pdf_reader = PyPDF2.PdfFileReader(pdf_file)
        # 提取索引为1的页面（即第二页）文本
        page_text = pdf_reader.getPage(1).extractText()
        # 过滤全空白行，strip()会清除行首尾的空格、换行等空白字符
        valid_lines = [line for line in page_text.split("\n") if line.strip()]
        # 取第一个有效行，加容错避免页面无有效文本时报错
        first_valid_line = valid_lines[0] if valid_lines else ""
        print(first_valid_line)

效果验证 #

针对你提供的两份示例文本：

• 带前置空行的文本过滤后首个有效内容为PIERRE AVENIR 2
• 无前置空行的文本过滤后首个有效内容为ADVINI
  完全匹配提取需求。

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