Question

我正在尝试编写一个Python脚本，该脚本将加载多个PDF文件，然后搜索特定的单词。

我有一个脚本，该脚本将使用1个单词，然后尝试在1个PDF中找到它，就像该单词一样，它是由我自己提供的。我希望将此脚本扩展为多个单词和PDF。我知道实际所需的最终脚本将需要os模块中的其他方法，但是我对Python的了解有时有些粗略。

尽管我认为这将是一项基本任务，但Google一直让我失望，而且似乎我在问一个特定的问题太多了，因此为什么选择我。

到目前为止我所拥有的：

import PyPDF2 as PDF #import pdf module 
import re

p = PDF.PdfFileReader("UserJoe.pdf")

# get number of pages
NumPages = p.getNumPages()

#define keyterms; David, Final, End, Score, Birthday, Hello Ben

kTerm = "David, Final, End, Score, Birthday, Hello Ben"

#extract text and do the search
for i in range(0, NumPages):
    PageObj = p.getPage(i)
    print("Looking through page " + str(i))
    Text = PageObj.extractText()
    Result = re.search(kTerm,Text)

    if Result:
         print(f"{kTerm} found")
    else:
         print("0")

因此，此脚本有效，但实际上并非我想要的那样。它将仅搜索“ David”，而不搜索整个字符串，这正是我想要的。为了重申这一点，我希望它适用于多个PDF文件，而不仅仅是1个，我必须提供文件名

任何帮助表示赞赏

Answer 1

您的搜索词是错误的。 re.search(kTerm,Text)会将kTerm解释为正则表达式。您将kTerm定义为"David, Final, End, Score, Birthday, Hello Ben"，它正在寻找David, Final, End, Score, Birthday, Hello Ben的确切出现。您可以将管道符号（“ |”）替换为“，”，例如or。如果你这样做

kTerm = "David, Final, End, Score, Birthday, Hello Ben".replace(", ", "|")

Answer 2

运行上面的代码时，我需要在输出中滚动查找找到单词的行。我希望包含单词的行将被打印或保存为单独的文件，或者仅包含行的页面将被保存在单独的pdf或txt文件中。感谢您的提前帮助

使用Python从多个PDF文件中查找多个单词

2 个答案: