python获取pdf内容文字，只存储名字和身份证号到表格

Python中可以使用第三方库如`PyPDF2`来读取PDF文件的内容，然后使用正则表达式筛选出姓名和身份证号码这类特定的信息。以下是简单的步骤：

1. 首先，安装必要的库：

   pip install PyPDF2 pandas regex

2. 使用`PyPDF2`打开PDF文件并提取文本：

   import PyPDF2
   import io

   def extract_text_from_pdf(pdf_path):
       with open(pdf_path, 'rb') as file:
           reader = PyPDF2.PdfFileReader(file)
           text = ""
           for page_num in range(reader.numPages):
               text += reader.getPage(page_num).extractText()
       return text

3. 使用正则表达式匹配姓名和身份证号：

   import re

   def filter_info(text):
       name_regex = r"(\b[姓名]\b[^0-9]+)"
       id_regex = r"\b([1-9]\d{5}(18|19|20)\d{2}((0[1-9])|(1[0-2]))(([0-2][1-9])|10|20|30|31)(\d{3})[xX]?\d{4}\b)"
       
       names = re.findall(name_regex, text, re.IGNORECASE)
       ids = re.findall(id_regex, text, re.IGNORECASE)

       # 结果是一个包含姓名和身份证的列表
       return {"names": names, "ids": ids}

4. 将结果保存到CSV或Excel表格中（假设已导入pandas库）：

   def save_to_excel(filtered_data, output_file):
       data = {
           "Names": filtered_data["names"],
           "ID Numbers": filtered_data["ids"]
       }
       df = pd.DataFrame(data)
       df.to_csv(output_file, index=False)

将上述函数结合在一起，你可以遍历PDF文件中的所有页面并提取信息：

pdf_path = "example.pdf"
output_file = "filtered_data.csv"

text = extract_text_from_pdf(pdf_path)
filtered_data = filter_info(text)
save_to_excel(filtered_data, output_file)