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
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：
-
from pdfminer
import high_level
-
import re
-
-
text = 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：
-
from pdfminer
import high_level
-
from pdfminer.layout
import LTTextContainer # 文本容器
-
import re
-
import os
-
-
for root, dirs, files in os.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
-
for f in files:
-
file_name = os.path.join(root, f)
-
if file_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：
欢迎大家点赞，留言，转发，转载，感谢大家的相伴与支持
想加入Python学习群请在后台回复【入群】
万水千山总是情，点个【在看】行不行
/今日留言主题/
随便说一两句吧~~
转载：https://blog.csdn.net/pdcfighting/article/details/128090009
查看评论