Manipulação de pdf usando MuPyPDF

[cesarcfsf]

Prezados, boa tarde.

Estou desenvolvendo um projeto em python, onde necessito obter dados de arquivos pdf, estes dados são bem específico, ou seja, preciso pegar somente os dados (que são textos) que se encontram dentro de retângulos espalhados por todo o PDF e os textos que encontram-se tachados. Alguém pode me ajudar?

[cesarcfsf]

Alguém tem alguma solução pra esse problema????

[Ryan Zimerman Leite]

Olá @cesarcfsf Você pode usar um for em uma pasta com os pdfs e para cada .pdf ele lê e varre cada página dele procurando por um texto regex, caso encontrar pode mover o pdf em outra pasta por exemplo.

for file in os.listdir(documentos):
    if not file.endswith('.pdf'):
        continue
    arq = os.path.join(documentos, file)
    doc = fitz.open(arq, filetype="pdf")
    
    texto_arquivo = ''
    for page in doc:
        texto = page.get_text('text', flags=1 + 2 + 8)
        texto_arquivo += texto
    
    regex_termo = re.compile(r'SEU PADRAO REGEX AQUI')
    resultado = regex_termo.search(texto_arquivo)
    
    if not resultado:
        continue
    else:
        doc.close()
        new = os.path.join(pasta, file)
        shutil.move(arq, new)