用python提取pdf文字做关键字筛选进阶_python数据采集-多pdf文档进行关键字数据检索

import os
import pandas as pd
import pdfplumber
import re
 
# 设置 PDF 文件夹路径
pdf_folder_path = r"C:\Users\win10\Desktop\pdf_files"
 
# 读取原始 Excel 文件并获取 pdf_filename 列
df = pd.read_excel(r'C:\Users\win10\Desktop\工作簿2.xlsx')
pdf_filenames = df["pdf_filename"].tolist()
 
# 创建空列表用于存储结果
conclusion_pages = []
 
# 遍历每个 PDF 文件并提取符合条件的文本
for filename in pdf_filenames:
    # 拼接 PDF 文件的完整路径
    pdf_path = os.path.join(pdf_folder_path, filename)
 
    # 清空 conclusion_pages 列表，以便处理下一个 PDF 文件
    conclusion_pages.clear()
 
    with pdfplumber.open(pdf_path) as pdf:
        # 遍历每一页
        for page_num, page in enumerate(pdf.pages, start=1):
            if page_num < 15:
                continue
 
            # 获取当前页的全部文本内容
            text = page.extract_text()
 
            # 提取包含关键字的部分文本
            conclusion_text = re.search(r"\bConclusion\b", text)
            summary_text = re.search(r"\bSummary\b", text)
 
            if conclusion_text and summary_text:
                # 找到关键字所在行，并获取该行内容
                conclusion_line = text[conclusion_text.start():].split("\n", maxsplit=1)[0]
                conclusion_page_text = conclusion_line + "\n"
 
                # 从关键字所在行开始往下逐行提取文本，直到遇到空行为止
                for line in text[conclusion_text.end():].split("\n"):
                    line = line.strip()
 
                    # 判断该行是否为页码，如果是则跳过
                    if re.match(r"^\d+\s*$", line):
                        continue
 
                    if not line:
                        break
                    conclusion_page_text += line + "\n"
 
                summary_line = text[summary_text.start():].split("\n", maxsplit=1)[0]
                summary_page_text = summary_line + "\n"
 
                # 从关键字所在行开始往下逐行提取文本，直到遇到空行为止
                for line in text[summary_text.end():].split("\n"):
                    line = line.strip()
 
                    # 判断该行是否为页码，如果是则跳过
                    if re.match(r"^\d+\s*$", line):
                        continue
 
                    if not line:
                        break
                    summary_page_text += line + "\n"
 
                # 将包含关键字的完整页文本添加到列表中
                conclusion_pages.append(conclusion_page_text + "\n\n" + summary_page_text)
 
    # 将列表中的结果添加到原始 Excel 中的 "conclusion_page" 列
    df.loc[df['pdf_filename'] == filename, "conclusion_text"] = "\n\n".join(conclusion_pages)
 
# 将结果保存到新的 Excel 文件中
df.to_excel(r'C:\Users\win10\Desktop\工作簿3.xlsx', index=False)

特别是提取 "Conclusion" 和 "summary" 部分的逻辑封装成函数并复用，让代码的可读性更好，同时避免了重复代码的问题。

此外，你还把定义列表和清空列表操作移到了循环外部，避免了原来代码中可能会出现的问题，真正实现了对结果的正确处理。

用正则匹配去除了带有的页数。