Python提取pdf文字信息

目录

• Python提取pdf文字信息
  • 需求
  • 代码
  • 总结

Python提取pdf文字信息

需求

今天教务处导出来我们全年级的成绩，一看吓一跳，我们的名字怎么不在文件名里，只能一个个找吗。事情开始变得离谱起来，因为足足有800多份成绩。

不怕，人生苦短，我用Python，思路很简单，使用pdfminer读取pdf文件里的文字信息，剩下的就是一个时间复杂度为\(O(n)\)的查找问题了。

代码

• 文件目录结构

其中 scores存放全学院的成绩，results保存查找结果，main.py是核心代码。

import os
from shutil import copy
from io import StringIO
from pdfminer.pdfinterp import PDFResourceManager, process_pdf
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams

score_dir = ".\scores"

def readPdf(pdf_file):

    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    laparams = LAParams()
    device = TextConverter(rsrcmgr=rsrcmgr, outfp=retstr, laparams=laparams)

    process_pdf(rsrcmgr=rsrcmgr, device=device, fp=pdf_file)
    device.close()

    content = retstr.getvalue()
    retstr.close()

    return content

if __name__ == '__main__':

    list = ["王五", "张三", "李四"]

    file_list = os.listdir(score_dir)

    for i in file_list:

        # read pdf content
        with open(os.path.join(score_dir, i), "rb") as f:
            content = readPdf(f)

        # search name in content
        for search_name in list:
            if search_name in content:
                # save to results
                copy(os.path.join(score_dir, i), os.path.join("./results/", search_name + ".pdf"))
                # # save time
                # list.remove(search_name)

        if len(list) == 0:
            break

    print("Search successfully!")

总结

复习了一些相关语法，os.listdir(score_dir)， copy(os.path.join(score_dir, i), os.path.join("./results/", search_name + ".pdf"))