Python提取目录文件的关键词语句写Doc

Python提取目录下PDF文件的关键词语句到新的docx文件。

安装依赖

pip install pdfplumber
pip install python-docx

Code

# coding:utf-8
import os

import pdfplumber
from docx import Document

# 输出文件
file_out = 'E:\\test\\提取.docx'

# 文件绝对路径
filePath = 'E:\\test'


# 第一次创建docx文档标记
first_write_docx = True
# 最后一次写docx文档标记
last_write_docx = False


# 创建文档对象
document = Document()


# 提取源中包含关键词的语句
def get_match_info(source, keyword):
    """
    用中文"。"来分隔原文形成列表，然后在列表的每个元素里面查找关键字。
    match_list只是用来计算结果有多少个句子的。

    :param source: 原文
    :param keyword: 需要查找的关键字
    """
    chinese_dot_list = source.split('。')
    match_list = []
    for sentence in chinese_dot_list:
        if keyword in sentence:
            print(sentence + '。')
            match_list.append(sentence)
    if len(match_list) > 0:
        print('共有%s句。' % len(match_list))
    return match_list


# 写docx文件
def write_docx(paragraph):

    if first_write_docx:
        # 设置文档标题，中文要用unicode字符串
        document.add_heading(u'汇总', 0)

    # 往文档中添加段落
    p = document.add_paragraph("")
    # 往段落中添加内容
    # p.add_run(paragraph.decode('utf-8'))
    p.add_run(paragraph.encode('utf-8').decode('utf-8'))

    # 最后一次写docx文档
    if last_write_docx:
        # 保存文档
        document.save(file_out)


# 读取所有的文件名到列表
fileList = os.listdir(filePath)

# 遍历读取pdf
for fileName in fileList:
    with pdfplumber.open(filePath + "\\" + fileName) as pdf:
        # content = ''
        for i in range(len(pdf.pages)):
            # 读取PDF文档第i+1页
            page = pdf.pages[i]

            # page.extract_text()函数即读取文本内容，下面这步是去掉文档最下面的页码
            page_content = '\n'.join(page.extract_text().split('\n')[:-1])
            # content = content + page_content

            # 在当前页查找匹配项
            find_list = get_match_info(page_content, "区块链")
            # 写匹配内容到docx
            if len(find_list) > 0:
                for item in find_list:
                    write_docx(str(item).replace('\n', '') + "。\n----出自" + fileName + "第" + str(i + 1) + "页")
                    # 置反标志，避免再次创建docx文件
                    first_write_docx = False


# 最后一次写文件，保存文件
last_write_docx = True
write_docx("")

待测试目录

测试结果