Пытаюсь извлечь информацию из PDF-файлов в Google Colab. Он просто повторяет большую часть информации из первого файла в ⇐ Python

[Anonymous]

Это код:

Код: Выделить всё

for file in files.get('files', []):
# ... (Get file content as before)

# Extract data from the PDF
pdf_reader = PyPDF2.PdfReader(BytesIO(file_content))
page = pdf_reader.pages[0]  # Assuming you want to extract from the first page

# 1. File Name
file_name = file['name']
print(f"File: {file_name}")

# 2. Process Number
process_number = None
process_number_match = None
process_number_match = re.search(r"(\d{7}-\d{2}.\d{4}.\d.\d{2}.\d{4})", page.extract_text())
if process_number_match:
process_number = process_number_match.group(1)
print(f"Process Number: {process_number}")
else:
print("erro, número do processo não encontrado")

# 3. Name
name = None  # Reset the name variable
name_match = None
name_match = re.search(r"(AUTOR|INTERESSADOS|INTERESSADO|INTERESSADA):\s+([A-Z\s]+)", page.extract_text())
if name_match:
name = name_match.group(2)
print(f"Name: {name}")
else:
print("error, nome não encontrado")

# 4. Keywords
found_keywords = []  # Reset the found_keywords list
keywords = ["audiência", "subsídios", "cumprimento"]
for keyword in keywords:
if keyword in page.extract_text():
found_keywords.append(keyword)
if found_keywords:
print(f"Keywords Found: {', '.join(found_keywords)}")
else:
print("erro, pedido não encontrado")

Он будет продолжать печатать это:

Код: Выделить всё

Keywords Found: cumprimento
File: 33-00737.015338.pdf
Process Number: (number1)
Name:(name1)

S
Keywords Found: cumprimento
File: 32-00737.012571.pdf
Process Number: (number1)
Name:(name1)

S
Keywords Found: cumprimento
File: 31-00737.012592.pdf
Process Number: (number1)
Name:(name1)

S
Keywords Found: cumprimento
File: 30-00737.010470.pdf
Process Number: (number1)
Name:(name1)

S
Keywords Found: cumprimento
File: 29-00737.007060.pdf
Process Number: (number1)
Name:(name1)

Номер файла обновляется, поэтому считываются правильные файлы. Но он продолжает повторять другие строки. Я попробовал сбросить настройки с помощью = None, но не помогло.
Пробовал использовать

Код: Выделить всё

# 3. Name
name = None  # Reset the name variable
name_match = None
name_match = re.search(r"(AUTOR|INTERESSADOS|INTERESSADO|INTERESSADA):\s+([A-Z\s]+)", page.extract_text())
if name_match:
name = name_match.group(2)
print(f"Name: {name}")
else:
print("error, nome não encontrado")

Я ожидал, что для каждого документа будет напечатано имя. Вместо этого я получил правильное имя для первого документа, и оно повторилось для всех остальных.

Подробнее здесь: https://stackoverflow.com/questions/786 ... st-repeati