python获取pdf内容文字，只存储名字和身份证号到表格 其他多余文字全部去掉 完整代码

在Python中，可以使用`PyPDF2`库来读取PDF文件的内容，并使用正则表达式来提取特定信息如姓名和身份证号码。下面是一个简单的示例，展示如何实现这个功能：

import PyPDF2
import re

# 假设我们有一个名为"example.pdf"的PDF文件
file_path = "example.pdf"

# 打开PDF文件
with open(file_path, 'rb') as file:
    reader = PyPDF2.PdfFileReader(file)

    # 初始化结果列表
    names_ids = []

    # 遍历每一页
    for page_num in range(reader.numPages):
        page_text = reader.getPage(page_num).extractText()

        # 使用正则表达式匹配姓名和身份证号，这里假设它们的格式分别是"姓名："和"身份证号："
        name_id_pattern = r"(?i)姓名：(.*?)\n.*?身份证号：(.*?)\n"
        match = re.search(name_id_pattern, page_text)
        
        if match:
            # 提取姓名和身份证号
            name = match.group(1)
            id_number = match.group(2)
            
            # 只保留名字和身份证号，去除多余文本
            extracted_data = [name, id_number]
            names_ids.append(extracted_data)

# 现在names_ids变量包含了一个二维列表，每一项是提取到的姓名和身份证号组合

注意：这个例子假设了姓名和身份证号按照特定格式存在，并且页面上有明确的分隔符。实际操作中，如果PDF结构复杂，可能需要更精细的解析。