9行Python3代码实现批量提取PDF文件的指定内容
作者：Carl_奕然
1、引言
小丝：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？？
小丝：哎呀，这个不是被难住了嘛 。
小鱼：有啥难得？提示你一下，
小丝：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。
小丝：好嘞， 我这就去…找找…
小丝：鱼哥，鱼哥~
小鱼：怎么样，你的这个需求，解决了吧。
小丝：没呢，我想批量提取指定PDF文档的内容…
小鱼：批…量…
小丝：对啊，是批量，
小鱼：这…还挺…
小丝：挺费劲吗？
小鱼：挺好的 ，不费劲， 一口气，上7楼…
小丝：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。
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：
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：
其它安装方式，直接看这两篇:
《Python3，选择Python自动安装第三方库，从此跟pip说拜拜！！》
《Python3：我低调的只用一行代码，就导入Python所有库！》
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 : 2022-11-30
# @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
运行结果
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。
到此这篇关于9行Python3代码实现批量提取PDF文件的指定内容的文章就介绍到这了,更多相关Python提取PDF指定内容内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！