盘点一个批量提取pdf文件目标信息的实用案例环球热消息

点击上方“Python爬虫与数据挖掘”，进行关注

回复“书籍”即可获赠Python从入门到进阶共10本电子书

【资料图】

今

日

鸡

汤

你若盛开,清风自来。

大家好，我是皮皮。

一、前言

前几天在帮助粉丝解决问题的时候，遇到一个简单的小需求，需要批量提取pdf文件目标信息，这里拿出来跟大家一起分享，后面再次遇到的时候，可以从这里得到灵感。

二、需求澄清

下面他下载的pdf文件，有几百个文件，这里拿出部分做示例，每个pdf文件里边有一个统一社会信用代码，后面的数字和字符是他的目标信息，需要提取出来。

三、实现过程

这里实现主要借用了pdf文件读取库和正则表达式来提取，先给出单个pdf文件提取的方法，代码如下所示：

frompdfminerimporthigh_levelimportretext=high_level.extract_text("1.pdf")#提取pdf中的文本信息#print(text)regex=r"统一社会信用代码：(.*?)\n"xinyongcode=re.findall(regex,text)print(xinyongcode)

有了前面的代码打底之后，接下来就可以实现批量处理了，代码如下所示：

frompdfminerimporthigh_levelfrompdfminer.layoutimportLTTextContainer#文本容器importreimportosforroot,dirs,filesinos.walk("./"):#root表示当前正在访问的文件夹路径;dirs表示该文件夹下的子目录名list;files表示该文件夹下的文件list#遍历文件forfinfiles:file_name=os.path.join(root,f)iffile_name.endswith(".pdf"):text=high_level.extract_text(file_name)#提取pdf中的文本信息regex=r"统一社会信用代码：(.*?)\n"xinyongcode=re.findall(regex,text)print(xinyongcode[0])

代码运行之后，可以依次得到所有文件携带的目标信息，如下图所示：

剩下的工作就不多赘述了，大家自行考虑即可。

三、总结

大家好，我是皮皮。这篇文章主要盘点一个批量提取pdf文件目标信息的实用案例，文中针对该问题，给出了具体的解析和代码实现，帮助粉丝顺利解决了问题。

大家在学习过程中如果有遇到问题，欢迎随时联系我解决（我的微信：pdcfighting），应粉丝要求，我创建了一些高质量的Python付费学习交流群和付费接单群，欢迎大家加入我的Python学习交流群和接单群！

小伙伴们，快快用实践一下吧！如果在学习过程中，有遇到任何问题，欢迎加我好友，我拉你进Python学习交流群共同探讨学习。

-------------------End-------------------

往期精彩文章推荐：

盘点一个网络爬虫POST请求参数构造的问题

盘点一个Python基础中循环判断遇到一个小问题

重装pycharm和Python环境以后，以前的文件selenium获取不到元素了?

不使用内置函数的情况下，如何使用Python实现求平均值、最大值和最小值？