Python3,区区9行代码批量提取PDF文件的指定内容,我被震惊了....

简介: 有了此方法,再也不需要手抄PDF文档了。

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…

2000.jpg

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。

sa.png


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


pipinstallpdfminer


安装完成

image.png


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

pipinstallpdfminer.six


安装完成

image.png


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

注: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   : 2022-12-10# @Author : Carl_DJfrompdfminerimporthigh_levelimportre,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forroot,dirs,filesinos.walk('./data/'):
#遍历pdf文件forfinfiles:
file_name=os.path.join(root,f)
iffile_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

image.png

运行结果

61.png


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。


技能多了,路就多了,最后,收入也就多了


我是小鱼


  • CSDN 博客专家;
  • 阿里云社区 专家博主;
  • 51CTO博客 专家博主&TOP红人
  • 51认证讲师;
  • 金牌面试官;


关注我,带你学习更多更有趣的Python知识。


目录
相关文章
|
2天前
|
Python
Python的文件对象read()
【6月更文挑战第8天】
16 8
|
2天前
|
存储 数据可视化 Python
使用Python进行数据可视化(三、处理csv文件)
使用Python进行数据可视化(三、处理csv文件)
|
2天前
|
Shell Python
Python基础教程(第3版)中文版 第11章 文件(笔记)
Python基础教程(第3版)中文版 第11章 文件(笔记)
|
2天前
|
Shell Python
Python基础教程(第3版)中文版 第11章 文件(笔记)
Python基础教程(第3版)中文版 第11章 文件(笔记)
|
2天前
|
Python
Python的文件对象readline()
【6月更文挑战第8天】
11 5
|
2天前
|
移动开发 Python
Python的文件对象open()
【6月更文挑战第8天】
13 5
|
3天前
|
存储 数据安全/隐私保护 计算机视觉
python文件对象读写二进制文件
【6月更文挑战第7天】
24 6
|
1天前
|
数据可视化 Python
python WAV音频文件处理——(3)高效处理大型 WAV 文件
python WAV音频文件处理——(3)高效处理大型 WAV 文件
25 9
|
1天前
|
存储 Python 内存技术
python WAV音频文件处理—— (1)读写WAV文件
python WAV音频文件处理—— (1)读写WAV文件
29 14
|
1天前
|
计算机视觉 索引 Python
openCV 3计算机视觉 Python语言实现 笔记__第二章 处理文件、摄像头和图形用户界面
openCV 3计算机视觉 Python语言实现 笔记__第二章 处理文件、摄像头和图形用户界面