查找文件夹内文件中，含有特定词语的页

使用语言：python（不得不说代码写起来是方便了，可是跑起来效率十分感人。）

调用库：pdfFilePages对pdf文件进行处理，将pdf文件中的内容提取出来。然后使用正则表达式匹配文件中的汉字，输出存在该汉字的文件名和页码。

# -*- coding: utf-8 -*-
import pdfplumber
import re
import os

from pkg_resources import WorkingSet
def getFileName(filepath): #获取文件夹下面的所有文件
    file_list = []
    for root,dirs,files in os.walk(filepath):
        for filespath in files:
            file_list.append(os.path.join(root,filespath))
    return file_list
    

def getContent(pdfFile,pdfReader,page):
    # find = re.findall('前景(.*)', pdfFile.pages[page].extract_text())
    page = pdfReader.pages[page]   # 第page页的信息
    context = page.extract_text()
    pattern1 = re.compile(r'[\u4e00-\u9fa5]+')
    context1 = pattern1.findall(context)
    context2 = "".join(context1)
    pattern2 = re.compile(u'人民币')  #把人民币换成自己要匹配的字符串
    context3 = pattern2.findall(context2)
    if context3 != []:
        print(pdfFile,page)

def getResult(fileList):
    for fileName in fileList:
        pdfFile = open(fileName, 'rb')  # 读取pdf文件
        with pdfplumber.open(pdfFile) as pdfReader:
            for page in range(len(pdfReader.pages)):
                getContent(pdfFile,pdfReader,page)


if __name__ == '__main__':
    fileFolderName = "C:\\Users\\klsxs\\Desktop\\pdf测试文件" #把这个地方改成自己的文件夹的名字
    fileList = getFileName(fileFolderName)
    getResult(fileList)

使用库PyPDF2，过程是一样的，只不过识别pdf文件的准确率不太行。

# -*- coding: utf-8 -*-
import pdfplumber
import PyPDF2
import re
import os

from pkg_resources import WorkingSet
def getFileName(filepath): #获取文件夹下面的所有文件
    file_list = []
    for root,dirs,files in os.walk(filepath):
        for filespath in files:
            file_list.append(os.path.join(root,filespath))
    return file_list
    

def getContent(pdfFile,pdfReader,page):
    # find = re.findall('前景(.*)', pdfFile.pages[page].extract_text())
    page = pdfReader.pages[page]   # 第page页的信息
    context = page.extract_text()
    pattern1 = re.compile(r'[\u4e00-\u9fa5]+')
    context1 = pattern1.findall(context)
    context2 = "".join(context1)
    pattern2 = re.compile(u'人民币')  #把人民币换成自己要匹配的字符串
    context3 = pattern2.findall(context2)
    if context3 != []:
        print(pdfFile,page)

def getResult(fileList):
    for fileName in fileList:
        pdfFile = open(fileName, 'rb')  # 读取pdf文件
        pdfReader = PyPDF2.PdfFileReader(pdfFile)
        pdfFilePages = pdfReader.numPages #文件的页数
        with pdfplumber.open(pdfFile) as pdfReader:
            for page in range(pdfFilePages):
                getContent(pdfFile,pdfReader,page)


if __name__ == '__main__':
    fileFolderName = "C:\\Users\\klsxs\\Desktop\\pdf测试文件" #把这个地方改成自己的文件夹的名字
    fileList = getFileName(fileFolderName)
    getResult(fileList)

最终输出的结果如下所示：

 输出出现“人民币”一词的文件名和页码。