python批量处理PDF文档输出自定义关键词的出现次数
更新时间：2023年04月11日 11:54:12 作者：Ryo_Yuki
这篇文章主要介绍了python批量处理PDF文档，输出自定义关键词的出现次数，文中有详细的代码示例，需要的朋友可以参考阅读
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
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
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
到此这篇关于python批量处理PDF文档输出自定义关键词的出现次数的文章就介绍到这了,更多相关python处理PDF文档内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
相关文章
这篇文章主要为大家详细介绍了Python操作MySQL模拟银行转账，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2018-03-03![Pycharm之如何安装cv2 [python3.6]](//img.jbzj.com/images/xgimg/bcimg1.png)
这篇文章主要介绍了Pycharm之如何安装cv2 [python3.6]问题，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教2023-05-05
七夕快到了,所以本文小编将给给大家介绍五种拿来就能用的炫酷表白代码,无限弹窗表白,爱心发射,心动表白,玫瑰花等表白代码,需要的小伙伴快来试试吧2023-08-08
这篇文章主要介绍了python3.7 的新特性详解，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2019-07-07
区间调度算法是一种在给定的一组任务中,选择尽可能多的相互不冲突的任务的算法,本文主要介绍了如何使用Python实现区间调度算法,有需要的可以参考下2024-10-10
这篇文章主要介绍了python pyppeteer 破解京东滑块功能的代码,代码简单易懂，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下2021-03-03
排序算法是在高考或中考中出现频率最多的点，所以大家要掌握，今天小编给大家带来了通过Python一行代码实现快速排序的方法，感兴趣的朋友跟随小编一起看看吧2019-04-04
这篇文章主要介绍了简单了解python数组的基本操作,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下2019-11-11
python用matplotlib绘制二维坐标轴,设置箭头指向,文本内容方式
这篇文章主要介绍了python用matplotlib绘制二维坐标轴,设置箭头指向,文本内容方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教2023-08-08
本篇文章主要介绍了python实现redis三种cas事务操作，小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧2017-12-12
![Pycharm之如何安装cv2 [python3.6]](http://img.jbzj.com/images/xgimg/bcimg1.png)
最新评论