Python计算PDF文件每页上的每封电子邮件

Question

我正在尝试计算这个 1537 页的 pdf 文件中包含 @twitter 或 @facebook 的每个字符串。我初始化了一个计数器，每当页面找到 @twitter 或 @facebook 时，该计数器就会关闭，但计数器只是计算页面数量，而不是包含 facebook 或 twitter 的电子邮件数量。我正在使用 python 3 并导入 pdftotext 来读取文件。这是代码import pdftotextcount = 0# 1 read the pdfwith open('Users.pdf', 'rb') as f:    pdf = pdftotext.PDF(f)# loop thru pagesfor page in pdf:    if '@facebook' in page or '@twitter' in page:        count += 1print(count)输出：1537这是文件的页数

Answer 1

您应该使用正则表达式匹配来实现您想要做的事情。

import pdftotext

import re

count = 0

# 1 read the pdf

with open('Users.pdf', 'rb') as f:

    pdf = pdftotext.PDF(f)

# regex pattern

pattern = '@facebook|@twitter'

# loop thru pages

for page in pdf:

    count += len(re.findall(pattern, page))

print(count)

要检查并尝试您的正则表达式模式，我推荐Regex101。