【Python】找到含有指定关键词的PDF

一、需求

假设我目前有很多PDF文件，我需要找到含有某些关键词的PDF，并把哪些PDF含有关键字导出。（这些PDF里有的PDF含有我需要的关键词，有些PDF不含有）虽然 ctrl+F 可以完成搜索功能，但当pdf非常多的时候，手动搜索会很麻烦。本文提供的代码可以解决该问题。

二、代码

# CSDN 混沌的矩阵 2022.9.7
# 参考了网上的部分代码
import pdfplumber
import PyPDF2
import re
import os
import csv
import json

# 定义函数，得到pdf页数
def get_pages(filename):
    with open(filename, 'rb' ) as fb:
        pages = PyPDF2.PdfFileReader(fb).getNumPages()
        return pages

# 利用正则表达式查找关键词，并提取
def get_text(filename, pages, strobj):
    flag = False
    find = []
    ele_len = 0
    with pdfplumber.open(filename) as pdf:
        for i in range(0, pages):
            print('正在搜索'+filename+'的第'+str(i)+'页')
            find.append(re.findall(strobj, pdf.pages[i].extract_text()))
            ele_len += len(find[i])
        print(filename + '搜索完毕')
    if ele_len != 0:
        flag = True
    return flag


# 保存表格
def save(pdf_name, judge):
    # 可以在这里更改保存csv的路径
    with open('C:\\csv\\report.csv', 'a', newline="", encoding='utf-8') as f_csv:
        writer = csv.writer(f_csv)
        writer.writerow([pdf_name, judge])
        print([pdf_name, judge])

# 运行代码
if __name__ == '__main__':
    # 可以在这里更改保存pdf的路径
    path = 'C:\\pdf'
    file_list = os.listdir(path)

    file_list_copy = file_list[::]
    objstr = []

    while True:
        objstr_input = input('请输入您所需要查找的关键字：')
        objstr.append(objstr_input)
        choice = input('请问您还要继续输入关键词吗？输入y继续输入关键字，输入其他结束')
        if choice == 'Y' or choice == 'y':
            continue
        else:
            break
    for keyword in objstr:
        print('正在搜索关键词：'+keyword)
        for file in file_list_copy:
            path_filename = path + '\\'+file
            pages_num = get_pages(path_filename)
            if  get_text(path_filename, pages_num, keyword):
                try:
                    save(file, keyword)
                except Exception as e:
                    print(e)

    with open('rest.txt', 'a', encoding='utf-8') as f:
        f.write(json.dumps(file_list, ensure_ascii=False))
'''
说明
1、文件寻找路径可以更改，如果使用默认路径，请阅读下文2和3
2、请将目标pdf文件放入c:\pdf文件夹，如果您的电脑上没有该文件夹，请自建，然后将所有pdf放入。
3、生成结果见c:\csv文件夹，如果您的电脑上没有该文件夹，请先建立该文件夹。
4、Python开发版本是3.9
5、csv出现乱码的处理方法
这是正常现象，因为默认excel打开的时候是不带BOM的，解决方法：
（step1）用记事本打开csv文件
（step2）另存为，存的时候名字不用改，然后把编码格式改为带BOM的UTF-8
（step3）重新打开csv文件即可看到正常
'''

三、测试

3.1 测试用PDF

1. 2018下半年软考初级程序员下午真题.pdf（试题非原试卷，资源来自“希赛网”，以下简称《软考》）
2. 计算机专用英语词汇1500词.pdf（以下简称《词汇》）
3. 数据结构电子版pdf(严蔚敏版).pdf（以下简称《数据结构》）

3.2 测试关键词

关键词	《软考》是否含有	《词汇》是否含有	《数据结构》是否含有
程序	含有	含有	含有
答题纸	含有	不含有	不含有
选择	不含有	含有	含有
数据元素是数据的基本单位	不含有	不含有	含有

3.3 测试结果

首先输入关键词：

运行中：

运行结果：

可以看到，这张表格展示了哪些文件中含有指定的关键词。其中， “程序”关键词在三个测试文件中都存在， “答题纸”关键词仅在《软考》pdf中存在， “选择” 关键词在《数据结构》和《词汇》中存在， “数据元素是数据的基本单位” 仅在《数据结构》pdf中存在，与真实情况一致。