python怎么读取pdf为文本_如何用Python从PDF文件中提取文本词汇

在日常工作中，有时可能需要解析一些 PDF 文件，提取文件中的关键词，好让它们能够被我们搜索。解决这个问题的重要部分就是找到如何从 PDF 文件中提取文本数据的方法。从如果是几张或者几十张倒还好办，那要是几百几千张，可能就有点麻烦了。

幸好我们可以用 Python 完成这项工作。下面就分享一下如何用 Python 解析一个PDF文件，将其转为一列关键字。

设置：

本教程我们使用的是 Python 3.6.3，当然在实际工作中你可以使用任何你喜欢的 Python 版本，只要它支持用到的库就行。

需要安装以下 Python 库：

PyPDF2（用于将简单的基于文本的 PDF 文件转为 Python 可读的文本）

Textract（用于将 PDF 扫描文件转为 Python 可读的文本）

Nltk（用于清理短语、将短语转为关键字）

可以通过以下命令行安装这些库：

pip install PyPDF2

pip install textract

pip install nltk

这样我们就安装了解析 PDF 文件所需的库，一定要确保你的 PDF 文件放在你编写脚本所在的文件夹中。

启动编辑器，开始敲代码吧！

第一步：导入库

import PyPDF2

import textract

from nltk.tokenize import word_tokenize

from nltk.corpus import stopwords

第2步：读取 PDF 文件

#写个for循环来打开多个文件

filename = 'enter the name of the file here'

#open能让你读取文件

pdfFileObj = open(filename,'rb')

#变量pdfReader是即将被解析的可读对象

pdfReader = PyPDF2.PdfFileReader(pdfFileObj)

#分辨清楚页码数量能让我们解析所有页码的文件

num_pages = pdfReader.numPages

count = 0

text = ""

# while 循环会读取每一页

while count < num_pages:

pageObj = pdfReader.getPage(count)

count +=1

text += pageObj.extractText()

#这里的if语句用以检查上面的库是否返回了词汇，因为PyPDF2 无法读取扫描文本

if text != "":

text = text

# 如果上面返回False，就运行库textract 将PDF扫描文件转换为文本

else:

text = textract.process(fileurl, method='tesseract', language='eng')

# 现在我们获得了一个text变量，包含了从PDF文件中提取的文本。

# 输入print(text)查看包含的内容。可能会包含很多空格，可能还有’\n’等这样的字眼。

# 下面我们会清洗得到的text变量，将其返回为一列关键字。

第3步：将文本转换为关键字

# 函数word_tokenize() 会将文本句子解析为词汇

tokens = word_tokenize(text)

# 创建一个新列表，包含我们想要清理的标点符号

punctuations = ['(',')',';',':','[',']',',']

# 初始化stopwords变量

stop_words = stopwords.words('english')

# 创建一个列表推导式，它只会返回一列词汇

# 它们既不在stop_words中，也不在puctuations中

keywords = [word for word in tokens if not word in stop_words and not word in punctuations]

现在我们就将手中的 PDF 文件保存为了列表，可以按自己的需要使用了。如果想让 PDF 可搜索，或者解析大量文件进行聚类分析，还可以将得到的列表保存在电子表格中。

可能你还感兴趣：景略集智：用Python进行时序预测的7种方法​zhuanlan.zhihu.com景略集智：有轻功：用3行代码让Python数据处理脚本获得4倍提速​zhuanlan.zhihu.com课程 | 景略集智​jizhi.ai