盘点一个批量提取pdf文件目标信息的实用案例
共 2228字,需浏览 5分钟
·
2022-11-29 07:48
回复“书籍”即可获赠Python从入门到进阶共10本电子书
大家好,我是皮皮。
一、前言
前几天在帮助粉丝解决问题的时候,遇到一个简单的小需求,需要批量提取pdf
文件目标信息,这里拿出来跟大家一起分享,后面再次遇到的时候,可以从这里得到灵感。
二、需求澄清
下面他下载的pdf
文件,有几百个文件,这里拿出部分做示例,每个pdf
文件里边有一个统一社会信用代码,后面的数字和字符是他的目标信息,需要提取出来。
三、实现过程
这里实现主要借用了pdf
文件读取库和正则表达式来提取,先给出单个pdf
文件提取的方法,代码如下所示:
from pdfminer import high_level
import re
text = high_level.extract_text('1.pdf') # 提取pdf中的文本信息
# print(text)
regex = r'统一社会信用代码:(.*?)\n'
xinyongcode = re.findall(regex, text)
print(xinyongcode)
有了前面的代码打底之后,接下来就可以实现批量处理了,代码如下所示:
from pdfminer import high_level
from pdfminer.layout import LTTextContainer # 文本容器
import re
import os
for root, dirs, files in os.walk('./'):
# root 表示当前正在访问的文件夹路径; dirs 表示该文件夹下的子目录名list;files 表示该文件夹下的文件list
# 遍历文件
for f in files:
file_name = os.path.join(root, f)
if file_name.endswith('.pdf'):
text = high_level.extract_text(file_name) # 提取pdf中的文本信息
regex = r'统一社会信用代码:(.*?)\n'
xinyongcode = re.findall(regex, text)
print(xinyongcode[0])
代码运行之后,可以依次得到所有文件携带的目标信息,如下图所示:
剩下的工作就不多赘述了,大家自行考虑即可。
三、总结
大家好,我是皮皮。这篇文章主要盘点一个批量提取pdf
文件目标信息的实用案例,文中针对该问题,给出了具体的解析和代码实现,帮助粉丝顺利解决了问题。
大家在学习过程中如果有遇到问题,欢迎随时联系我解决(我的微信:pdcfighting),应粉丝要求,我创建了一些高质量的Python付费学习交流群和付费接单群,欢迎大家加入我的Python学习交流群和接单群!
小伙伴们,快快用实践一下吧!如果在学习过程中,有遇到任何问题,欢迎加我好友,我拉你进Python学习交流群共同探讨学习。
------------------- End -------------------
往期精彩文章推荐:
欢迎大家点赞,留言,转发,转载,感谢大家的相伴与支持
想加入Python学习群请在后台回复【入群】
万水千山总是情,点个【在看】行不行
/今日留言主题/
随便说一两句吧~~