Question

我正在寻找一堆PDF文档中提到的股票/公司。有时，使用公司名称（例如，美国运通卡），而其他时候，PDF仅包含股票代码（例如，AXP）。

通过以下代码，我可以很容易地找到符号：

import PyPDF2
import os
import re

tickers = ['AMZN', 'V', 'ETSY', 'AXP', 'AA', 'FB'] 

source_dir = '/Users/person/folder/'
for dir, subdir, files in os.walk(source_dir):
    for file in files:
        if file.endswith('.pdf'):
            file = os.path.join(dir, file)
            pdfFileObj = open(file, 'rb')
            pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
            if pdfReader.isEncrypted:
                print("Skipping " + file)
                pass
            else:
                num_pages = pdfReader.numPages

                count = 0
                text = " "

                while count < num_pages:
                    pageObj = pdfReader.getPage(count)
                    count += 1
                    text += pageObj.extractText()

                print("\n" + file)
                # print(text)

                matches = re.findall(regex, text)
                matches = list(dict.fromkeys(matches))
                for match in matches:
                    print("- " + match)

但有时PDF仅提及公司名称。我将如何搜索股票代码或公司的公司名称，然后同时返回两者？因此所需的输出将是：

/Users/person/folder/file.pdf - AMZN (Amazon) - AXP (American Express) - AA (American Airlines) - V (Visa)

我有一个csv文件，可将股票代号映射到公司名称，但如果愿意，可以将其设置为数据库或字典。

这是样本行情/公司名称数据：

| Ticker | Company Name | ----------------------------- | AMZN | Amazon Inc | ----------------------------- | V | Visa Inc. | ----------------------------- | ETSY | Etsy | ----------------------------- | AXP | American Express | ----------------------------- | AA | American Airlines | ----------------------------- | FB | Facebook | -----------------------------

这是一些示例文本：

- Etsy (ETSY): Etsy do eiusmod tempor incid is Duis aute irure Etsy dolor in reprehenderit in volup - AXP: Excepteur sint occaecat cupidatat non proident, sunt in culpa AXP deserunt - AA: American Airlines id est laborum. - V: enim ad minim veniam (V) est.

我该如何解决这个问题？

Answer 1

您会发现这种方法很有用：

import re

# Create dict from tickers and company
# Can be done from csv file
s = {'AMZN' : 'Amazon Inc.',
'V' : 'Visa Inc.',
'ETSY' : 'Etsy',
'AXP' : 'American Express',
'AA' : 'American Airlines',
'FB' : 'Facebook'}


# Create regex from dict s
regex = ''
for key, item in s.items():
    regex = regex + r'\b' + key + r'|\b' + item + r'|'

# Remove last '|' (or)
regex = regex[:-1]

现在您的正则表达式将如下所示：

regex = '\bAMZN|\bAmazon Inc.|\bV|\bVisa Inc.|   ..etc..   |\bFB|\bFacebook'

搜索后，您可以创建发现的自动报价字典：

matches = re.findall(regex, text)

# Create an empty dictionary of matches
matches_d = dict()

for m in matches:
    if m in s.keys():
        matches_d[m] = s[m]
    if m in s.values():
        # Find key from value
        key = list(s.keys())[list(s.values()).index(m)]
        matches_d[key] = s[key]

匹配项是这样的列表：

['Etsy', 'ETSY', 'AXP', 'Facebook', 'AA', 'American Airlines', 'V']

matches_d（最后的字典）将像这样：

{'ETSY': 'Etsy',
 'AXP': 'American Express',
 'AA': 'American Airlines',
 'V': 'Visa Inc.'}

如何在PDF文档中搜索公司名称或股票代码？

1 个答案: