2

Leo un Pdf encriptado y al momento de buscar la lista de abajo me dice que no encuentra nada, me parece que mi expresión regular esta mal

import PyPDF2
import re

file = open('imagen.pdf', 'rb')
pdfreader = PyPDF2.PdfFileReader(file)
if pdfreader.isEncrypted:
    pdfreader.decrypt('')
    pageobj = pdfreader.getPage(0)
    pdftext = pageobj.extractText()
    tipo1 = re.match(r'(([a-zA-Z]{1,4})[0-9]{1,5}())', pdftext)

la expresión regular tiene que encontrar lo siguiente:

VGE07011_004.IFD  
VGH50052_007.IFD  
VIE01039.012  
VTGE0037   
Vie01025_001.IFD
0

1 respuesta 1

1

Por empezar re.match tal como menciona la documentación

Note that even in MULTILINE mode, re.match() will only match at the beginning of the string and not at the beginning of each line.

O sea que solo va a encontrar el patrón al comienzo de la cadena, con lo cual lo que se puede hacer es un "split" del texto y recorrer línea a línea sino lo que puede hacerse es usar re.findall, también hice algunas modificaciones al patrón por que entiendo que no estaría funcionando de acuerdo a lo que quieres:

import re

text = """
VGE07011_004.IFD
Otra cosa que no quiero matchear
VGH50052_007.IFD
VIE01039.012
VTGE0037
Vie01025_001.IFD
"""
# letras de longitud 1 a 4 +
# números de longitud 1 a 5 +
# letras y números y un punto hasta el próximo caracter distinto
regex = r'[a-zA-Z]{1,4}[0-9]{1,5}[a-zA-Z_0-9.]+'

for m in re.findall(regex,text):
  print(m)

El output:

VGE07011_004.IFD
VGH50052_007.IFD
VIE01039.012
VTGE0037
Vie01025_001.IFD
1
  • Muchas gracias me sirvio muchisimo
    – Memo
    Commented el 30 may. 2017 a las 20:55

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.