9行Python3代碼實現(xiàn)批量提取PDF文件的指定內(nèi)容
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:挺費勁嗎?
小魚:挺好的 ,不費勁, 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,需要單獨提取目標(biāo)pdf文件,否則都會輪巡匹配,費事費力費資源;
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
運行結(jié)果
3、總結(jié)
看到這里,今天的分享,差不多就該結(jié)束了。
解析PDF是一件非常耗時和耗內(nèi)存的工作,因此,pdfminer使用一種稱作Lazy Parsing的策略,減少內(nèi)耗…
小絲:怪不得, 提到批量提取pdf的文檔內(nèi)容, 你會猶豫了…
小魚:對啊,因為我們的的測試文檔內(nèi)容很少,所以對內(nèi)存的消耗相對來說沒那么驗證,當(dāng)PDF文檔的內(nèi)容很多時, 就不得不使用pdfminer了。
到此這篇關(guān)于9行Python3代碼實現(xiàn)批量提取PDF文件的指定內(nèi)容的文章就介紹到這了,更多相關(guān)Python提取PDF指定內(nèi)容內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!
相關(guān)文章
Python基礎(chǔ)語言學(xué)習(xí)筆記總結(jié)(精華)
給大家分享一篇關(guān)于Python基礎(chǔ)學(xué)習(xí)內(nèi)容的學(xué)習(xí)筆記整理總結(jié)篇,里面匯集了學(xué)習(xí)Python基礎(chǔ)語言的難點和技巧,分享給大家。2017-11-11Python匿名函數(shù)/排序函數(shù)/過濾函數(shù)/映射函數(shù)/遞歸/二分法
這篇文章主要介紹了Python匿名函數(shù)/排序函數(shù)/過濾函數(shù)/映射函數(shù)/遞歸/二分法 ,本文通過實例代碼給大家介紹的非常詳細(xì),具有一定的參考借鑒價值,需要的朋友可以參考下2019-06-06詳解python中的defaultdict?默認(rèn)值
這篇文章主要介紹了defaultdict?默認(rèn)值,defaultdict是python內(nèi)建dict類的一個字類,功能與dict相同,但它帶有一個默認(rèn)的值,若key值不存在時返回一個默認(rèn)的值,本文通過實例代碼給大家介紹的非常詳細(xì),需要的朋友可以參考下2023-04-04