腳本之家服務(wù)器常用軟件

快捷導(dǎo)航

9行Python3代碼實現(xiàn)批量提取PDF文件的指定內(nèi)容

更新時間：2022年12月09日 08:39:11 作者：Carl_奕然

這篇文章主要為大家詳細(xì)介紹了如何通過9行Python3代碼實現(xiàn)批量提取PDF文件的指定內(nèi)容，文中的示例代碼講解詳細(xì)，感興趣的小伙伴可以嘗試一下

1、引言

小絲：魚哥，你有沒有什么辦法，提取PDF文檔的內(nèi)容。

小魚：這個還問我？？

小絲：哎呀，這個不是被難住了嘛。

小魚：有啥難得？提示你一下，

小絲：嗯，可以可以。

小魚：去我的博文找，沒記錯的話，有兩種方法提取pdf的文字。

小絲：好嘞，我這就去…找找…

小絲：魚哥，魚哥~

小魚：怎么樣，你的這個需求，解決了吧。

小絲：沒呢，我想批量提取指定PDF文檔的內(nèi)容…

小魚：批…量…

小絲：對啊，是批量，

小魚：這…還挺…

小絲：挺費(fèi)勁嗎？

小魚：挺好的，不費(fèi)勁，一口氣，上7樓…

小絲：打住… 說正事！！

小魚：好嘞…

想到提取PDF文件的內(nèi)容，我們第一反應(yīng)就是pypdf，

因為pypdf這個庫我在很多篇文章都介紹過，還蠻好用的。

但是，今天，我們不使用pypdf，而是使用另一個庫，即：pdfminer。

2、代碼實戰(zhàn)

2.1 介紹

pdfminer我相信很多同學(xué)都沒聽說過，除非，你經(jīng)常提取/解析PDF文件的內(nèi)容，否則，你對ta，只能是陌生。

其實，提取PDF文件內(nèi)容解決方案，截止到現(xiàn)在，只有pypdf 和pdfminer這兩種。
所以，如果你厭倦了， pypdf，那只能選擇pdfminer了。

那什么是pdfminer 呢，或者 pdfminer有什么神奇之處呢？

定義

PDFMiner是用于從PDF文檔提取信息的工具；

與其他PDF相關(guān)工具不同，它完全專注于獲取和分析文本數(shù)據(jù)；

功能

PDFMiner允許獲取頁面中文本的確切位置以及其他信息，例如字體或線條；

它包括一個PDF轉(zhuǎn)換器，可以將PDF文件轉(zhuǎn)換為其他文本格式（例如HTML)；

2.2 安裝

由于pdfminer是python 的第三方庫，所以，需要安裝，

老規(guī)矩，直接pip 安裝

安裝

pip install pdfminer

安裝完成：

因為我們需要用到 pdfminer的high_level 方法，所以

這里必須要在安裝pdfminer.six模塊，否則會報錯：

安裝

pip install pdfminer.six

安裝完成：

其它安裝方式，直接看這兩篇:

《Python3，選擇Python自動安裝第三方庫，從此跟pip說拜拜??！》

《Python3：我低調(diào)的只用一行代碼，就導(dǎo)入Python所有庫！》

2.3 實例

安裝完成，我們就來寫上代碼，

我們先來捋順一下思路，主要分3步：

1、遍歷pdf文件

注：如果文件夾的文件多個，需要單獨(dú)提取目標(biāo)pdf文件，否則都會輪巡匹配，費(fèi)事費(fèi)力費(fèi)資源；

2、提取pdf文檔內(nèi)容

3、根據(jù)正則匹配，提取需要的文檔信息

我們就根據(jù)這個思路，來提取"企業(yè)基本情況"，代碼如下：

代碼示例

# -*- coding:utf-8 -*-
# @Time   : 2022-11-30
# @Author : Carl_DJ


from pdfminer import high_level
import re,os

#pdf文件路徑
#root：文件夾路徑，dirs:文件夾下子目錄名，files：文件夾下的文件
for root,dirs,files in os.walk('./data/'):
    #遍歷pdf文件
    for f in files:
        file_name = os.path.join(root,f)
        if file_name.endswith('.pdf'):
            #提取整個 pdf 文本信息
            text = high_level.extract_text(file_name)
            #提取 pdf文檔中 "企業(yè)進(jìn)本情況:" 后面的信息，利用正則進(jìn)行匹配
            regex = r'企業(yè)基本情況-(.*?)\n'
            qy_base = re.findall(regex,text)
            print(f'輸出信息：{qy_base}')

pdf文件