如何用Python从PDF文件中提取文本词汇

在日常工作中，有时可能需要解析一些 PDF 文件，提取文件中的关键词，好让它们能够被我们搜索。解决这个问题的重要部分就是找到如何从 PDF 文件中提取文本数据的方法。从如果是几张或者几十张倒还好办，那要是几百几千张，可能就有点麻烦了。

Python学习资料或者需要代码、视频加Python学习群：960410445

幸好我们可以用 Python 完成这项工作。下面就分享一下如何用 Python 解析一个PDF文件，将其转为一列关键字。

设置：

本教程我们使用的是 Python 3.6.3，当然在实际工作中你可以使用任何你喜欢的 Python 版本，只要它支持用到的库就行。

需要安装以下 Python 库：

PyPDF2（用于将简单的基于文本的 PDF 文件转为 Python 可读的文本）

Textract（用于将 PDF 扫描文件转为 Python 可读的文本）

Nltk（用于清理短语、将短语转为关键字）

可以通过以下命令行安装这些库：

pip install PyPDF2

pip install textract

pip install nltk

这样我们就安装了解析 PDF 文件所需的库，一定要确保你的 PDF 文件放在你编写脚本所在的文件夹中。

启动编辑器，开始敲代码吧！

第一步：导入库

第2步：读取 PDF 文件

第3步：将文本转换为关键字

现在我们就将手中的 PDF 文件保存为了列表，可以按自己的需要使用了。如果想让 PDF 可搜索，或者解析大量文件进行聚类分析，还可以将得到的列表保存在电子表格中。