盘点一个批量提取pdf文件目标信息的实用案例

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。

盘点一个批量提取pdf文件目标信息的实用案例

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：

盘点一个批量提取pdf文件目标信息的实用案例