Python实现查询一个文件中的pdf文件中的关键字

该篇文章介绍了如何使用Python的PyPDF2库在一个文件夹内的PDF文档中搜索指定的关键字,返回包含这些关键字的文件名及其出现的页数。作者还提供了优化版本,只输出未处理过的文件名,提高效率。

要求,查询一个文件中的pdf文件中的关键字,输出关键字所在PDF文件的文件名及对应的页数。

import os
import PyPDF2

def search_pdf_files(folder_path, keywords):
    # 初始化结果字典,以关键字为键,值为包含关键字的页面和文件名列表
    results = {keyword: [] for keyword in keywords}

    # 遍历指定文件夹下的所有文件
    for root, dirs, files in os.walk(folder_path):
        for filename in files:
            if filename.endswith(".pdf"):
                # 构建PDF文件的完整路径
                pdf_path = os.path.join(root, filename)

                # 打开PDF文件
                with open(pdf_path, "rb") as pdf_file:
                    pdf_reader = PyPDF2.PdfReader(pdf_file)

                    # 获取PDF的总页数
                    total_pages = len(pdf_reader.pages)

                    # 遍历PDF的每一页
                    for page_num in range(total_pages):
                        # 读取页面内容
                        page = pdf_reader.pages[page_num]
                        page_text = page.extract_text()

                        # 检查所有关键字
                        for keyword in keywords:
                            if keyword in page_text:
                                results[keyword].append({
                                    "file_name": filename,
                                    "page_number": page_num + 1  # PDF页码从1开始
                                })

    return results

# 示例用法
folder_to_search = r"C:\Users\Administrator\Desktop\2"
search_keywords = ["SVD", "线性回归", "XGBoost", "不存在的关键字"]  # 添加多个关键字,包括不存在的关键字
results = search_pdf_files(folder_to_search, search_keywords)

# 打印结果
for keyword, keyword_results in results.items():
    if keyword_results:
        print(f"关键字 '{keyword}' 所在的文件及页数:")
        for result in keyword_results:
            print(f"文件 '{result['file_name']}' 的第 {result['page_number']} 页")
    else:
        print(f"没有找到关键字 '{keyword}'。")
    print()  # 输出换行以区分不同关键字的结果

 为了方便且高效看论文。

用了上面那个之后发现不太对劲,找到文件后,就可以ctrl+F了,所以去掉了页数。代码如下:

import os
import PyPDF2

def search_pdf_files(folder_path, keywords):
    # Initialize a results dictionary with keywords as keys and lists of files as values
    results = {keyword: [] for keyword in keywords}

    # Initialize a set to keep track of processed files for each keyword
    processed_files = {keyword: set() for keyword in keywords}

    # Traverse all files in the specified folder
    for root, dirs, files in os.walk(folder_path):
        for filename in files:
            if filename.endswith(".pdf"):
                # Build the full path of the PDF file
                pdf_path = os.path.join(root, filename)

                # Open the PDF file
                with open(pdf_path, "rb") as pdf_file:
                    pdf_reader = PyPDF2.PdfReader(pdf_file)

                    # Get the total number of pages in the PDF
                    total_pages = len(pdf_reader.pages)

                    # Iterate through each page of the PDF
                    for page_num in range(total_pages):
                        # Read the page content
                        page = pdf_reader.pages[page_num]
                        page_text = page.extract_text()

                        # Check all keywords
                        for keyword in keywords:
                            if keyword in page_text:
                                # Check if this file has not been processed for this keyword
                                if filename not in processed_files[keyword]:
                                    results[keyword].append({
                                        "file_name": filename,
                                        "page_number": page_num + 1  # PDF page numbers start from 1
                                    })
                                    processed_files[keyword].add(filename)

    return results

# 示例用法
folder_to_search = r"C:\Users\Administrator\Desktop\优秀论文"
search_keywords = ["ARIMA", "XGBoost", "SVM", "支持向量机","线性回归","决策树","随机森林","模拟退火","粒子群","遗传算法","LSTM","BP神经网络","t-SNE","LightGBM","GMM","距离相关系数","灰色关联分析","互信息","信息熵","递归特征消除","综合评价","熵权法"]  # 添加多个关键字,包括不存在的关键字
results = search_pdf_files(folder_to_search, search_keywords)

# 打印结果
for keyword, keyword_results in results.items():
    if keyword_results:
        print(f"关键字 '{keyword}' 所在的文件及页数:")
        for result in keyword_results:
            print(f"文件 '{result['file_name']}'")
    else:
        print(f"没有找到关键字 '{keyword}'。")
    print()  # 输出换行以区分不同关键字的结果

Python中,可以使用`PyPDF2`库来提取PDF文件中的文本数据,对于更复杂的数据如表格、图像等,可能需要结合其他库如`tabula-py`(处理表格)、`Pillow`(处理图像)。以下是基本步骤: 1. **安装所需库**: 首先,你需要通过pip安装必要的库: ```bash pip install PyPDF2 tabula pillow ``` 2. **读取PDF文件**: 使用`PyPDF2`库打开遍历PDF文档页: ```python import PyPDF2 def extract_text_from_pdf(pdf_file): with open(pdf_file, 'rb') as file: pdf_reader = PyPDF2.PdfFileReader(file) text = '' for page in range(pdf_reader.numPages): text += pdf_reader.getPage(page).extractText() return text ``` 3. **提取特定数据**: 对于指定的数据,你可以搜索文本内容。例如,如果你想查找所有包含关键字的数据: ```python keyword = "your_search_keyword" extracted_data = [line for line in text.splitlines() if keyword in line] ``` 4. **处理表格数据**: 如果PDF中有表格,使用`tabula-py`提取: ```python from tabula import read_pdf table_data = read_pdf(pdf_file, pages='all') ``` 5. **处理图片数据**: 对于嵌入的图片,可以使用`PIL`来保存或分析: ```python from PIL import Image img_page = pdf_reader.getPage(0) # 获取包含图片的页面 image = img_page.extractImage() im = Image.open(BytesIO(image)) ``` 6. **整合结果**: 根据实际需求将提取出的文字、表格和图片数据整理成所需的结构。 注意:PDF解析可能会遇到一些问题,比如加密的PDF、复杂的排版或OCR识别错误。对于这些问题,你可能需要进一步调整或使用更高级的库。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

阿月浑子の

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值