【Python】找到含有指定关键词的PDF_python 搜索pdf关键字

一、需求

假设我目前有很多PDF文件，我需要找到含有某些关键词的PDF，并把哪些PDF含有关键字导出。（这些PDF里有的PDF含有我需要的关键词，有些PDF不含有）虽然 ctrl+F 可以完成搜索功能，但当pdf非常多的时候，手动搜索会很麻烦。本文提供的代码可以解决该问题。

二、代码

# CSDN 混沌的矩阵 2022.9.7
# 参考了网上的部分代码
import pdfplumber
import PyPDF2
import re
import os
import csv
import json

# 定义函数，得到pdf页数
def get_pages(filename):
    with open(filename, 'rb' ) as fb:
        pages = PyPDF2.PdfFileReader(fb).getNumPages()
        return pages

# 利用正则表达式查找关键词，并提取
def get_text(filename, pages, strobj):
    flag = False
    find = []
    ele_len = 0
    with pdfplumber.open(filename) as pdf:
        for i in range(0, pages):
            print('正在搜索'+filename+'的第'+str(i)+'页')
            find.append(re.findall(strobj, pdf.pages[i].extract_text()))
            ele_len += len(find[i])
        print(filename + '搜索完毕')
    if ele_len != 0:
        flag = True
    return flag


# 保存表格
def save(pdf_name, judge):
    # 可以在这里更改保存csv的路径
    with open('C:\\csv\\report.csv', 'a', newline="", encoding='utf-8') as f_csv:
        writer = csv.writer(f_csv)
        writer.writerow([pdf_name, judge])
        print([pdf_name, judge])

# 运行代码
if __name__ == '__main__':
    # 可以在这里更改保存pdf的路径
    path = 'C:\\pdf'
    file_list = os.listdir(path)

    file_list_copy = file_list[::]
    objstr = []

    while True:
        objstr_input = input('请输入您所需要查找的关键字：')
        objstr.append(objstr_input)
        choice = input('请问您还要继续输入关键词吗？输入y继续输入关键字，输入其他结束')
        if choice == 'Y' or choice == 'y':
            continue
        else:
            break
    for keyword in objstr:
        print('正在搜索关键词：'+keyword)
        for file in file_list_copy:
            path_filename = path + '\\'+file
            pages_num = get_pages(path_filename)
            if  get_text(path_filename, pages_num, keyword):
                try:
                    save(file, keyword)
                except Exception as e:
                    print(e)

    with open('rest.txt', 'a', encoding='utf-8') as f:
        f.write(json.dumps(file_list, ensure_ascii=False))
'''
说明
1、文件寻找路径可以更改，如果使用默认路径，请阅读下文2和3
2、请将目标pdf文件放入c:\pdf文件夹，如果您的电脑上没有该文件夹，请自建，然后将所有pdf放入。
3、生成结果见c:\csv文件夹，如果您的电脑上没有该文件夹，请先建立该文件夹。
4、Python开发版本是3.9
5、csv出现乱码的处理方法
这是正常现象，因为默认excel打开的时候是不带BOM的，解决方法：
（step1）用记事本打开csv文件
（step2）另存为，存的时候名字不用改，然后把编码格式改为带BOM的UTF-8
（step3）重新打开csv文件即可看到正常
'''
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81

三、测试

3.1 测试用PDF

1. 2018下半年软考初级程序员下午真题.pdf（试题非原试卷，资源来自“希赛网”，以下简称《软考》）
2. 计算机专用英语词汇1500词.pdf（以下简称《词汇》）
3. 数据结构电子版pdf(严蔚敏版).pdf（以下简称《数据结构》）

3.2 测试关键词

3.3 测试结果

首先输入关键词：

运行中：

运行结果：

可以看到，这张表格展示了哪些文件中含有指定的关键词。其中， “程序”关键词在三个测试文件中都存在， “答题纸”关键词仅在《软考》pdf中存在， “选择” 关键词在《数据结构》和《词汇》中存在， “数据元素是数据的基本单位” 仅在《数据结构》pdf中存在，与真实情况一致。