Question

目前，我的代码正在从PDF和PDF中提取数据。计算单词频率。我已经尝试了一段时间按频率顺序排列，但一直没能。我看过多个类似的答案，但找不到我可以开始工作的答案。有人可以指出我需要做什么吗？

import PyPDF2
import re


pdfFileObj = open('ch8.pdf', 'rb') #Open the File
pdfReader = PyPDF2.PdfFileReader(pdfFileObj) #Read the file
frequency = {} #Create dict

print "Number of Pages %s " % pdfReader.numPages #Print Num Pages

pageObj = pdfReader.getPage(0) # Get the first page
match_pattern = re.findall(r'\b[a-z]{3,15}\b', pageObj.extractText()) #Find the text

for word in match_pattern: #Start counting the frequency
    word = word.lower()
    count = frequency.get(word,0)
    frequency[word] = count + 1


frequency_list = frequency.keys() 

for words in frequency_list:
    print words, frequency[words]

先谢谢。

Answer 1

看看你的Python，逻辑上一切看起来都很好，语法也很好。我假设你的提取方法出了问题，因为我尝试了这个代码，对4个单词的pdf进行了一些小的修改而没有被删除。我没有使用pyPDF2的经验，所以我不能提供更多的建议，如果可能的话，你应该尝试不同的文本提取方法。

我哪里错了？

1 个答案: