1、引言
小屌絲：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？？
小屌絲：哎呀，這個不是被難住了嘛 。
小魚：有啥難得？提示你一下，
小屌絲：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。
小屌絲：好嘞， 我這就去…找找…
小屌絲：魚哥，魚哥~
小魚：怎么樣，你的這個需求，解決了吧。
小屌絲：沒呢，我想批量提取指定PDF文檔的內(nèi)容…
小魚：批…量…
小屌絲：對啊，是批量，
小魚：這…還挺…
小屌絲：挺費勁嗎？
小魚：挺好的 ，不費勁， 一口氣，上7樓…
小屌絲：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?。?/strong>》
- 《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(yùn)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…
小屌絲：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。
并且， 關(guān)于pdf文檔的內(nèi)容提取，我們能多學(xué)習(xí)幾個技能，就多學(xué)習(xí)幾個技能。
技能多了，路就多了，最后，收入也就多了。
我是小魚：文章來源：http://www.zghlxwxcb.cn/news/detail-442870.html
- CSDN 博客專家；
- 阿里云社區(qū) 專家博主；
- 金牌面試官
- 51 講師；
關(guān)注我，帶你學(xué)習(xí)更多更有趣的Python知識。文章來源地址http://www.zghlxwxcb.cn/news/detail-442870.html
到了這里，關(guān)于Python3，9行批量提取PDF文件的指定內(nèi)容，這種操作，保證人見人愛....的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)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TOY模板網(wǎng)！
