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。

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20181218A0FX2Y00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。

扫码关注云+社区

领取腾讯云代金券