要在多个 PDF 文件中提取日期和时间信息，可以结合使用 `PyMuPDF` (又名 `fitz`) 和正则表达式 (`re` 模块) 来完成任务。以下是详细的步骤说明以及示例代码。 ### 安装依赖库 首先需要安装两个必要的库： ```bash pip install pymupdf regex ``` ### 正则表达式的准备 为了准确匹配各种形式的日期时间和时间戳格式，在这里我们定义一组常见的模式： ```python import re # 匹配常见的时间日期格式 date_patterns = [ r'\d{4}-\d{2}-\d{2}', # YYYY-MM-DD r'\d{2}/\d{2}/\d{4}', # MM/DD/YYYY 或 DD/MM/YYYY （取决于地区） r'[0-9]{1,2}\-[A-Za-z]+\-\d{4}' # 日-月缩写-年份 格式如：05-Dec-2023 ] time_pattern = r'(?:[01]\d|2[0-3]):[0-5]\d' # HH:MM 时间格式 combined_pattern = f"(?:(?:{'|'.join(date_patterns)}) (?:{time_pattern})?)" compiled_pattern = re.compile(combined_pattern) ``` ### 提取过程 接下来编写函数遍历每个 PDF 的所有页面并尝试找到符合条件的所有日期与时间组合： ```python import fitz # 导入 PyMuPDF 库 def extract_dates_from_pdf(pdf_path): dates_found = [] try: document = fitz.open(pdf_path) for page_num in range(len(document)): page = document.load_page(page_num) text = page.get_text("text") matches = compiled_pattern.findall(text) if matches: dates_found.extend(matches) return list(set(dates_found)) # 去重 except Exception as e: print(f"Error processing {pdf_path}: ", str(e)) return [] # 示例用法 - 对单个文件测试 if __name__ == "__main__": test_files = ["file1.pdf", "file2.pdf"] # 替换为实际路径 results = {} for file_name in test_files: result = extract_dates_from_pdf(file_name) results[file_name] = result for k,v in results.items(): print(f"In '{k}': Found these date/time stamps:") for item in v: print(item) ``` 此脚本会打开指定目录下的所有 .pdf 文件，并逐页搜索符合预设规则的日期时间字符串。最后输出发现的结果到控制台。 注意，由于 PDF 内容结构差异较大，上述方法可能无法覆盖所有情况；对于特定需求还需要进一步调整正则表达式或其他技术手段以适应具体情况。