9行Python3代码实现批量提取PDF文件的指定内容

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。