您当前的位置:首页 > 计算机 > 编程开发 > Python

Python3,9行批量提取PDF文件的指定内容

时间:03-19来源:作者:点击数:

1、引言

小屌丝:鱼哥, 你有没有什么办法,提取PDF文档的内容。

小鱼:这个还问我??

小屌丝:哎呀,这个不是被难住了嘛 。

小鱼:有啥难得?提示你一下,

小屌丝:嗯,可以可以。

小鱼:去我的博文找,没记错的话,有两种方法提取pdf的文字。

小屌丝:好嘞, 我这就去…找找…

在这里插入图片描述

小屌丝:鱼哥,鱼哥~

小鱼:怎么样,你的这个需求,解决了吧。

小屌丝:没呢,我想批量提取指定PDF文档的内容…

小鱼:批…量…

小屌丝:对啊,是批量,

小鱼:这…还挺…

小屌丝:挺费劲吗?

小鱼:挺好的 ,不费劲, 一口气,上7楼…

小屌丝:打住… 说正事! !

小鱼:好嘞…

想到提取PDF文件的内容,我们第一反应就是pypdf,

因为pypdf这个库我在很多篇文章都介绍过, 还蛮好用的。

但是,今天,我们不使用pypdf,而是使用另一个库,即:pdfminer

在这里插入图片描述

2、代码实战

2.1 介绍

pdfminer我相信很多同学都没听说过,除非,你经常提取/解析PDF文件的内容,否则,你对ta,只能是陌生。

其实,提取PDF文件内容解决方案,截止到现在, 只有pypdf 和pdfminer这两种。

所以, 如果你厌倦了, pypdf,那只能选择pdfminer了。

那什么是pdfminer 呢,或者 pdfminer有什么神奇之处呢?

  • 定义
    • PDFMiner是用于从PDF文档提取信息的工具;
    • 与其他PDF相关工具不同,它完全专注于获取和分析文本数据;
  • 功能
    • PDFMiner允许获取页面中文本的确切位置以及其他信息,例如字体或线条;
    • 它包括一个PDF转换器,可以将PDF文件转换为其他文本格式(例如HTML);

2.2 安装

由于pdfminer是python 的第三方库, 所以,需要安装,

老规矩, 直接pip 安装

安装

pip install pdfminer

安装完成:

在这里插入图片描述

因为我们需要用到 pdfminer的high_level 方法,所以

这里必须要在安装pdfminer.six模块,否则会报错:

安装

pip install pdfminer.six

安装完成:

在这里插入图片描述

其它安装方式,直接看这两篇:

2.3 实例

安装完成,我们就来写上代码,

我们先来捋顺一下思路,主要分3步:

  • 1、遍历pdf文件
    • :如果文件夹的文件多个,需要单独提取目标pdf文件,否则都会轮巡匹配,费事费力费资源;
  • 2、提取pdf文档内容
  • 3、根据正则匹配,提取需要的文档信息

我们就根据这个思路,来提取"企业基本情况",代码如下:

代码示例

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


from pdfminer import high_level
import re,os

#pdf文件路径
#root:文件夹路径,dirs:文件夹下子目录名,files:文件夹下的文件
for root,dirs,files in os.walk('./data/'):
    #遍历pdf文件
    for f in files:
        file_name = os.path.join(root,f)
        if file_name.endswith('.pdf'):
            #提取整个 pdf 文本信息
            text = high_level.extract_text(file_name)
            #提取 pdf文档中 "企业进本情况:" 后面的信息,利用正则进行匹配
            regex = r'企业基本情况-(.*?)\n'
            qy_base = re.findall(regex,text)
            print(f'输出信息:{qy_base}')


pdf文件

在这里插入图片描述

运行结果

在这里插入图片描述

3、总结

看到这里,今天的分享,差不多就该结束了。

解析PDF是一件非常耗时和耗内存的工作,因此,pdfminer使用一种称作Lazy Parsing的策略,减少内耗…

小屌丝:怪不得, 提到批量提取pdf的文档内容, 你会犹豫了…

小鱼:对啊,因为我们的的测试文档内容很少,所以对内存的消耗相对来说没那么验证,当PDF文档的内容很多时, 就不得不使用pdfminer了。

并且, 关于pdf文档的内容提取,我们能多学习几个技能,就多学习几个技能。

方便获取更多学习、工作、生活信息请关注本站微信公众号城东书院 微信服务号城东书院 微信订阅号
推荐内容
相关内容
栏目更新
栏目热门