Olá, estou precisando extrair um trecho especifico de um PDF. A ideia é achar as inscrições estaduais que foram baixadas no diário oficial do estado onde eu moro, isso é para a coleta de dados para a criação de um TCC. Por isso estou criando um código para que ele possa abrir o PDF e pegar as inscrições estaduais. O pdf contem sempre a palavra chave "inscrições estaduais baixadas" e depois vem o número dela, a ideia é que o número seja extraido.
por enquanto consegui fazer esse código:
import PyPDF2 as p2
pdf = open('DOEAL-25_09_2020-COMPLETO.pdf', 'rb')
pdf_reader = p2.PdfFileReader(pdf)
n = pdf_reader.numPages
for i in range(0, n):
print('Página {}'.format(i+1))
page = pdf_reader.getPage(i)
if page.extractText() != "":
conteudo = page.extractText()
else:
print("image")
with open("teste_de_pdf.txt", 'a', encoding='utf-8') as arq:
arq.write(conteudo)
Com ele estou conseguindo ler o PDF e importar o conteudo dele para TXT, mas queria filtrar o conteúdo. Alguém poderia me ajudar?