0

0

如何使用Python批量处理PDF文件并计算自定义关键词的出现次数?

WBOY

WBOY

发布时间:2023-04-20 16:10:18

|

2255人浏览过

|

来源于亿速云

转载

    函数模块介绍

    具体的代码可见全部代码部分,这部分只介绍思路和相应的函数模块

    对文件进行批量重命名

    因为文件名是中文,且无关于最后的结果,所以批量命名为数字
    注意如果不是第一次运行,即已经命名完成,就在主函数内把这个函数注释掉就好了

    def rename():
        path='dealPdf'
        filelist=os.listdir(path)
        for i,files in enumerate(filelist):
            Olddir=os.path.join(path,files)
            if os.path.isdir(Olddir):
                continue
            Newdir=os.path.join(path,str(i+1)+'.pdf')
            os.rename(Olddir,Newdir)

    将PDF转化为txt

    PDF是无法直接进行文本分析的,所以需要将文字转成txt文件(PDF中图内的文字无法提取)

    #将pdf文件转化成txt文件
    def pdf_to_txt(dealPdf,index):
        # 不显示warning
        logging.propagate = False
        logging.getLogger().setLevel(logging.ERROR)
        pdf_filename = dealPdf
        device = PDFPageAggregator(PDFResourceManager(), laparams=LAParams())
        interpreter = PDFPageInterpreter(PDFResourceManager(), device)    
        parser = PDFParser(open(pdf_filename, 'rb'))
        doc = PDFDocument(parser)
        
        
        txt_filename='dealTxt\\'+str(index)+'.txt'
            
        # 检测文档是否提供txt转换,不提供就忽略
        if not doc.is_extractable:
            raise PDFTextExtractionNotAllowed
        else:
            with open(txt_filename, 'w', encoding="utf-8") as fw:
                #print("num page:{}".format(len(list(doc.get_pages()))))
                for i,page in enumerate(PDFPage.create_pages(doc)):
                    interpreter.process_page(page)
                    # 接受该页面的LTPage对象
                    layout = device.get_result()
                    # 这里layout是一个LTPage对象 里面存放着 这个page解析出的各种对象
                    # 一般包括LTTextBox, LTFigure, LTImage, LTTextBoxHorizontal 等等
                    # 想要获取文本就获得对象的text属性,
                    for x in layout:
                        if isinstance(x, LTTextBoxHorizontal):
                            results = x.get_text()
                            fw.write(results)

    删除txt中的换行符

    因为PDF导出的txt会用换行符换行,为了避免词语因此拆开,所以删除所有的换行符

    #对txt文件的换行符进行删除
    def delete_huanhangfu(dealTxt,index):
        outPutString=''
        outPutTxt='outPutTxt\\'+str(index)+'.txt'
        with open(dealTxt,'r',encoding="utf-8") as f:
            lines=f.readlines()
            for i in range(len(lines)):
                if lines[i].endswith('\n'):
                    lines[i]=lines[i][:-1] #将字符串末尾的\n去掉
            for j in range(len(lines)):
                outPutString+=lines[j]
        with open(outPutTxt,'w',encoding="utf-8") as fw:
            fw.write(outPutString)

    添加自定义词语

    此处可以根据自己的需要自定义,传入的wordsByMyself是全局变量

    立即学习Python免费学习笔记(深入)”;

    Type Studio
    Type Studio

    一个视频编辑器,提供自动转录、自动生成字幕、视频翻译等功能

    下载

    分词与词频统计

    调用jieba进行分词,读取通用词表去掉停用词(此步其实可以省略,对最终结果影响不大),将词语和出现次数合成为键值对,输出关键词出现次数

    #分词并进行词频统计
    def cut_and_count(outPutTxt):
        with open(outPutTxt,encoding='utf-8') as f: 
            #step1:读取文档并调用jieba分词
            text=f.read() 
            words=jieba.lcut(text)
            #step2:读取停用词表,去停用词
            stopwords = {}.fromkeys([ line.rstrip() for line in open('stopwords.txt',encoding='utf-8') ])
            finalwords = []
            for word in words:
                if word not in stopwords:
                    if (word != "。" and word != ",") :
                        finalwords.append(word)       
            
            
            #step3:统计特定关键词的出现次数
            valuelist=[0]*len(wordsByMyself)
            counts=dict(zip(wordsByMyself,valuelist))
            for word in finalwords:
                if len(word) == 1:#单个词不计算在内
                    continue
                else:
                    counts[word]=counts.get(word,0)+1#遍历所有词语,每出现一次其对应值加1
            for i in range(len(wordsByMyself)):
                if wordsByMyself[i] in counts:
                    print(wordsByMyself[i]+':'+str(counts[wordsByMyself[i]]))
                else:
                    print(wordsByMyself[i]+':0')

    主函数

    通过for循环进行批量操作

    if __name__ == "__main__":
        #rename()   
        for i in range(1,fileNum+1):
            pdf_to_txt('dealPdf\\'+str(i)+'.pdf',i)#将pdf文件转化成txt文件,传入文件路径 
            delete_huanhangfu('dealTxt\\'+str(i)+'.txt',i)#对txt文件的换行符进行删除,防止词语因换行被拆分
            word_by_myself()#添加自定义词语
            print(f'----------result {i}----------')
            cut_and_count('outPutTxt\\'+str(i)+'.txt')#分词并进行词频统计,传入文件路径

    本地文件结构

    python怎么批量处理PDF文档输出自定义关键词的出现次数

    全部代码

    import jieba
    import jieba.analyse
    from pdfminer.pdfparser import PDFParser
    from pdfminer.pdfdocument import PDFDocument
    from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
    from pdfminer.converter import PDFPageAggregator
    from pdfminer.layout import LTTextBoxHorizontal, LAParams
    from pdfminer.pdfpage import PDFPage,PDFTextExtractionNotAllowed
    import logging
    import os
    
    wordsByMyself=['社会责任','义务','上市','公司'] #自定义词语,全局变量
    fileNum=16#存储总共待处理的文件数量
    
    #重命名所有文件夹下的文件,适应处理需要
    def rename():
        path='dealPdf'
        filelist=os.listdir(path)
        for i,files in enumerate(filelist):
            Olddir=os.path.join(path,files)
            if os.path.isdir(Olddir):
                continue
            Newdir=os.path.join(path,str(i+1)+'.pdf')
            os.rename(Olddir,Newdir)
    
    #将pdf文件转化成txt文件
    def pdf_to_txt(dealPdf,index):
        # 不显示warning
        logging.propagate = False
        logging.getLogger().setLevel(logging.ERROR)
        pdf_filename = dealPdf
        device = PDFPageAggregator(PDFResourceManager(), laparams=LAParams())
        interpreter = PDFPageInterpreter(PDFResourceManager(), device)    
        parser = PDFParser(open(pdf_filename, 'rb'))
        doc = PDFDocument(parser)
        
        
        txt_filename='dealTxt\\'+str(index)+'.txt'
            
        # 检测文档是否提供txt转换,不提供就忽略
        if not doc.is_extractable:
            raise PDFTextExtractionNotAllowed
        else:
            with open(txt_filename, 'w', encoding="utf-8") as fw:
                #print("num page:{}".format(len(list(doc.get_pages()))))
                for i,page in enumerate(PDFPage.create_pages(doc)):
                    interpreter.process_page(page)
                    # 接受该页面的LTPage对象
                    layout = device.get_result()
                    # 这里layout是一个LTPage对象 里面存放着 这个page解析出的各种对象
                    # 一般包括LTTextBox, LTFigure, LTImage, LTTextBoxHorizontal 等等
                    # 想要获取文本就获得对象的text属性,
                    for x in layout:
                        if isinstance(x, LTTextBoxHorizontal):
                            results = x.get_text()
                            fw.write(results)
    
    #对txt文件的换行符进行删除
    def delete_huanhangfu(dealTxt,index):
        outPutString=''
        outPutTxt='outPutTxt\\'+str(index)+'.txt'
        with open(dealTxt,'r',encoding="utf-8") as f:
            lines=f.readlines()
            for i in range(len(lines)):
                if lines[i].endswith('\n'):
                    lines[i]=lines[i][:-1] #将字符串末尾的\n去掉
            for j in range(len(lines)):
                outPutString+=lines[j]
        with open(outPutTxt,'w',encoding="utf-8") as fw:
            fw.write(outPutString)
                
    #添加自定义词语    
    def word_by_myself():
        for i in range(len(wordsByMyself)):
            jieba.add_word(wordsByMyself[i])
    
    #分词并进行词频统计
    def cut_and_count(outPutTxt):
        with open(outPutTxt,encoding='utf-8') as f: 
            #step1:读取文档并调用jieba分词
            text=f.read() 
            words=jieba.lcut(text)
            #step2:读取停用词表,去停用词
            stopwords = {}.fromkeys([ line.rstrip() for line in open('stopwords.txt',encoding='utf-8') ])
            finalwords = []
            for word in words:
                if word not in stopwords:
                    if (word != "。" and word != ",") :
                        finalwords.append(word)       
            
            
            #step3:统计特定关键词的出现次数
            valuelist=[0]*len(wordsByMyself)
            counts=dict(zip(wordsByMyself,valuelist))
            for word in finalwords:
                if len(word) == 1:#单个词不计算在内
                    continue
                else:
                    counts[word]=counts.get(word,0)+1#遍历所有词语,每出现一次其对应值加1
            for i in range(len(wordsByMyself)):
                if wordsByMyself[i] in counts:
                    print(wordsByMyself[i]+':'+str(counts[wordsByMyself[i]]))
                else:
                    print(wordsByMyself[i]+':0')
    
    #主函数 
    if __name__ == "__main__":
        rename()   
        for i in range(1,fileNum+1):
            pdf_to_txt('dealPdf\\'+str(i)+'.pdf',i)#将pdf文件转化成txt文件,传入文件路径 
            delete_huanhangfu('dealTxt\\'+str(i)+'.txt',i)#对txt文件的换行符进行删除,防止词语因换行被拆分
            word_by_myself()#添加自定义词语
            print(f'----------result {i}----------')
            cut_and_count('outPutTxt\\'+str(i)+'.txt')#分词并进行词频统计,传入文件路径

    结果预览

    python怎么批量处理PDF文档输出自定义关键词的出现次数

    相关文章

    WPS零基础入门到精通全套教程!
    WPS零基础入门到精通全套教程!

    全网最新最细最实用WPS零基础入门到精通全套教程!带你真正掌握WPS办公! 内含Excel基础操作、函数设计、数据透视表等

    下载

    相关标签:

    本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

    相关专题

    更多
    高德地图升级方法汇总
    高德地图升级方法汇总

    本专题整合了高德地图升级相关教程,阅读专题下面的文章了解更多详细内容。

    4

    2026.01.16

    全民K歌得高分教程大全
    全民K歌得高分教程大全

    本专题整合了全民K歌得高分技巧汇总,阅读专题下面的文章了解更多详细内容。

    3

    2026.01.16

    C++ 单元测试与代码质量保障
    C++ 单元测试与代码质量保障

    本专题系统讲解 C++ 在单元测试与代码质量保障方面的实战方法,包括测试驱动开发理念、Google Test/Google Mock 的使用、测试用例设计、边界条件验证、持续集成中的自动化测试流程,以及常见代码质量问题的发现与修复。通过工程化示例,帮助开发者建立 可测试、可维护、高质量的 C++ 项目体系。

    10

    2026.01.16

    java数据库连接教程大全
    java数据库连接教程大全

    本专题整合了java数据库连接相关教程,阅读专题下面的文章了解更多详细内容。

    33

    2026.01.15

    Java音频处理教程汇总
    Java音频处理教程汇总

    本专题整合了java音频处理教程大全,阅读专题下面的文章了解更多详细内容。

    15

    2026.01.15

    windows查看wifi密码教程大全
    windows查看wifi密码教程大全

    本专题整合了windows查看wifi密码教程大全,阅读专题下面的文章了解更多详细内容。

    42

    2026.01.15

    浏览器缓存清理方法汇总
    浏览器缓存清理方法汇总

    本专题整合了浏览器缓存清理教程汇总,阅读专题下面的文章了解更多详细内容。

    7

    2026.01.15

    ps图片相关教程汇总
    ps图片相关教程汇总

    本专题整合了ps图片设置相关教程合集,阅读专题下面的文章了解更多详细内容。

    9

    2026.01.15

    ppt一键生成相关合集
    ppt一键生成相关合集

    本专题整合了ppt一键生成相关教程汇总,阅读专题下面的的文章了解更多详细内容。

    6

    2026.01.15

    热门下载

    更多
    网站特效
    /
    网站源码
    /
    网站素材
    /
    前端模板

    精品课程

    更多
    相关推荐
    /
    热门推荐
    /
    最新课程
    最新Python教程 从入门到精通
    最新Python教程 从入门到精通

    共4课时 | 1.9万人学习

    Django 教程
    Django 教程

    共28课时 | 3.1万人学习

    SciPy 教程
    SciPy 教程

    共10课时 | 1.1万人学习

    关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新
    php中文网:公益在线php培训,帮助PHP学习者快速成长!
    关注服务号 技术交流群
    PHP中文网订阅号
    每天精选资源文章推送

    Copyright 2014-2026 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号