盤點一個批量提取pdf文件目標(biāo)信息的實用案例

回復(fù)“書籍”即可獲贈Python從入門到進(jìn)階共10本電子書

大家好，我是皮皮。

一、前言

前幾天在幫助粉絲解決問題的時候，遇到一個簡單的小需求，需要批量提取pdf文件目標(biāo)信息，這里拿出來跟大家一起分享，后面再次遇到的時候，可以從這里得到靈感。

二、需求澄清

下面他下載的pdf文件，有幾百個文件，這里拿出部分做示例，每個pdf文件里邊有一個統(tǒng)一社會信用代碼，后面的數(shù)字和字符是他的目標(biāo)信息，需要提取出來。

三、實現(xiàn)過程

這里實現(xiàn)主要借用了pdf文件讀取庫和正則表達(dá)式來提取，先給出單個pdf文件提取的方法，代碼如下所示：

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'統(tǒng)一社會信用代碼：(.*?)\n'
xinyongcode = re.findall(regex, text)
print(xinyongcode)

有了前面的代碼打底之后，接下來就可以實現(xiàn)批量處理了，代碼如下所示：

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 表示當(dāng)前正在訪問的文件夾路徑; dirs 表示該文件夾下的子目錄名list;files 表示該文件夾下的文件list
    # 遍歷文件
    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'統(tǒng)一社會信用代碼：(.*?)\n'
            xinyongcode = re.findall(regex, text)
            print(xinyongcode[0])

代碼運行之后，可以依次得到所有文件攜帶的目標(biāo)信息，如下圖所示：

剩下的工作就不多贅述了，大家自行考慮即可。

三、總結(jié)

大家好，我是皮皮。這篇文章主要盤點一個批量提取pdf文件目標(biāo)信息的實用案例，文中針對該問題，給出了具體的解析和代碼實現(xiàn)，幫助粉絲順利解決了問題。

大家在學(xué)習(xí)過程中如果有遇到問題，歡迎隨時聯(lián)系我解決（我的微信：pdcfighting），應(yīng)粉絲要求，我創(chuàng)建了一些高質(zhì)量的Python付費學(xué)習(xí)交流群和付費接單群，歡迎大家加入我的Python學(xué)習(xí)交流群和接單群！