[已解决]用关键字批量搜索PDF文件，安装哪个库好？

ssqchina

用关键字批量搜索PDF文件，安装哪个库好？

最佳答案

月排行榜 / 总排行榜

sfqxx

2023-7-10 15:40:36

ssqchina 发表于 2023-7-10 15:36
问题找到了，就是if file.endswith('.pdf'):中的PDF大写和小写 搜索结果还不一样，这个怎么改？

你遇到的问题是因为文件扩展名的大小写导致的匹配错误。在Windows系统中，文件扩展名的大小写通常是不敏感的，而在其他操作系统（如Linux）中是区分大小写的。

要解决这个问题，你可以在比较文件扩展名时忽略大小写。可以使用`.lower()`函数将文件扩展名转换为小写来实现。

以下是修改后的代码示例：

import os
from PyPDF2 import PdfReader

def search_keywords_in_pdf(directory, keyword):
    files = os.listdir(directory)
    for file in files:
        if file.lower().endswith('.pdf'):  #忽略文件扩展名大小写
            file_path = os.path.join(directory, file)
            with open(file_path, 'rb') as f:
                pdf = PdfReader(f)
                for page_num, page in enumerate(pdf.pages, start=1):
                    text = page.extract_text()
                    if keyword in text:
                        print(f"Keyword '{keyword}' found in {file} (Page {page_num})")

# 指定要搜索的目录和关键字
directory = '/path/to/pdf/files/directory'
keyword = 'your_keyword'

search_keywords_in_pdf(directory, keyword)

请将`/path/to/pdf/files/directory`替换为包含你的PDF文件的目录路径，将`your_keyword`替换为你要搜索的关键字。使用`.lower()`函数将文件扩展名转换为小写，使得无论文件扩展名是大写还是小写，都能正确匹配。

同样，请确保已安装最新版本的PyPDF2库，并将代码中的目录路径和关键字替换为你自己的实际值。

跳转到最佳答案楼层

isdkz

在Python中，你可以使用PyPDF2库来处理PDF文件。它提供了一些有用的功能，如从PDF文件中提取文本、搜索关键字等。

要安装PyPDF2库，你可以使用pip命令，在命令行中运行以下命令：

pip install PyPDF2

安装完成后，你就可以在Python脚本中导入PyPDF2库并开始使用它来搜索PDF文件了。下面是一个简单的示例代码，演示了如何使用PyPDF2库搜索关键字：

import PyPDF2

def search_keywords_in_pdf(file_path, keywords):
    with open(file_path, 'rb') as file:
        pdf_reader = PyPDF2.PdfReader(file)
        for page in pdf_reader.pages:
            text = page.extract_text()
            for keyword in keywords:
                if keyword in text:
                    print(f"Found '{keyword}' in {file_path} (Page {page.page_number})")

# 搜索关键字列表
keywords = ['keyword1', 'keyword2']

# 搜索指定文件夹下的所有PDF文件
folder_path = '/path/to/pdf/folder'
pdf_files = ['file1.pdf', 'file2.pdf', 'file3.pdf']

for file_name in pdf_files:
    file_path = folder_path + '/' + file_name
    search_keywords_in_pdf(file_path, keywords)

在上面的代码中， search_keywords_in_pdf 函数接受一个PDF文件路径和一个关键字列表作为参数，然后使用PyPDF2库打开PDF文件并逐页搜索关键字。如果找到匹配的关键字，就会打印出相应的信息。

你可以将上述代码保存为Python脚本，根据你的实际情况修改文件路径和关键字列表，并运行脚本来搜索PDF文件中的关键字。

sfqxx

你可以安装PyPDF2库来实现用关键字批量搜索PDF文件。这是一个常用的Python库，提供了读取和操作PDF文件的功能。安装PyPDF2库的方法是运行以下命令：

pip install PyPDF2

安装完成后，你就可以使用PyPDF2库编写代码来批量搜索PDF文件了。以下是使用PyPDF2库进行关键字批量搜索PDF文件的示例代码：

import os
from PyPDF2 import PdfFileReader

def search_keywords_in_pdf(directory, keyword):
    files = os.listdir(directory)
    for file in files:
        if file.endswith('.pdf'):
            file_path = os.path.join(directory, file)
            with open(file_path, 'rb') as f:
                pdf = PdfFileReader(f)
                for page_num in range(pdf.getNumPages()):
                    page = pdf.getPage(page_num)
                    text = page.extractText()
                    if keyword in text:
                        print(f"Keyword '{keyword}' found in {file} (Page {page_num + 1})")

# 指定要搜索的目录和关键字
directory = '/path/to/pdf/files/directory'
keyword = 'your_keyword'

search_keywords_in_pdf(directory, keyword)

在这个示例代码中，你需要将`/path/to/pdf/files/directory`替换为包含你的PDF文件的目录路径，将`your_keyword`替换为你要搜索的关键字。运行代码后，它会遍历指定目录中的所有PDF文件，并在每个文件的每一页中搜索关键字，如果找到匹配的关键字，则打印出文件名和页码。

请确保已安装PyPDF2库并将代码中的目录路径和关键字替换为你自己的实际值。

liuhongrun2022

批量搜索文件的话，可以用glob库（自带的，不用安装、）

import glob

# 搜索当前目录下以关键字"keyword"开头的所有文件
files = glob.glob("keyword*.pdf")

# 打印搜索结果
for file in files:
    print(file)

ssqchina

sfqxx 发表于 2023-7-10 00:09
你可以安装PyPDF2库来实现用关键字批量搜索PDF文件。这是一个常用的Python库，提供了读取和操作PDF文件的功 ...

import os
from PyPDF2 import PdfFileReader                           #类名用大写字母开头

def search_keywords_in_pdf(directory, keyword):
    files = os.listdir(directory)
    for file in files:
        if file.endswith('.pdf'):
            file_path = os.path.join(directory, file)
            with open(file_path, 'rb') as f:
                pdf = PdfFileReader(f)
                for page_num in range(pdf.getNumPages()):
                    page = pdf.getPage(page_num)
                    text = page.extractText()
                    if keyword in text:
                        print(f"Keyword '{keyword}' found in {file} (Page {page_num + 1})")

search_keywords_in_pdf('E:\\报表\\','工资')

"C:\Program Files (x86)\Python39-32\python.exe" D:\Python\PDF文档搜索.py
Traceback (most recent call last):
  File "D:\Python\PDF文档搜索.py", line 17, in <module>
    search_keywords_in_pdf('E:\\报表\\','工资')
  File "D:\Python\PDF文档搜索.py", line 10, in search_keywords_in_pdf
    pdf = PdfFileReader(f)
  File "C:\Users\ssq\AppData\Roaming\Python\Python39\site-packages\PyPDF2\_reader.py", line 1974, in __init__
    deprecation_with_replacement("PdfFileReader", "PdfReader", "3.0.0")
  File "C:\Users\ssq\AppData\Roaming\Python\Python39\site-packages\PyPDF2\_utils.py", line 369, in deprecation_with_replacement
    deprecation(DEPR_MSG_HAPPENED.format(old_name, removed_in, new_name))
  File "C:\Users\ssq\AppData\Roaming\Python\Python39\site-packages\PyPDF2\_utils.py", line 351, in deprecation
    raise DeprecationError(msg)
PyPDF2.errors.DeprecationError: PdfFileReader is deprecated and was removed in PyPDF2 3.0.0. Use PdfReader instead.

进程已结束,退出代码1

sfqxx

ssqchina 发表于 2023-7-10 12:17
import os
from PyPDF2 import PdfFileReader                           #类名用大写字母开头

你遇到的错误是由于PyPDF2库的更新导致的。在PyPDF2版本3.0.0中，PdfFileReader类已经被弃用并移除了，需要使用PdfReader类代替。

以下是修改后的示例代码：

import os
from PyPDF2 import PdfReader

def search_keywords_in_pdf(directory, keyword):
    files = os.listdir(directory)
    for file in files:
        if file.endswith('.pdf'):
            file_path = os.path.join(directory, file)
            with open(file_path, 'rb') as f:
                pdf = PdfReader(f)
                for page_num, page in enumerate(pdf.pages, start=1):
                    text = page.extract_text()
                    if keyword in text:
                        print(f"Keyword '{keyword}' found in {file} (Page {page_num})")

# 指定要搜索的目录和关键字
directory = '/path/to/pdf/files/directory'
keyword = 'your_keyword'

search_keywords_in_pdf(directory, keyword)

同样，请将`/path/to/pdf/files/directory`替换为包含你的PDF文件的目录路径，将`your_keyword`替换为你要搜索的关键字。代码会遍历指定目录中的所有PDF文件，并在每个文件的每一页中搜索关键字，如果找到匹配的关键字，则打印出文件名和页码。

请注意，确保已安装最新版本的PyPDF2库，并将代码中的目录路径和关键字替换为你自己的实际值。

ssqchina

sfqxx 发表于 2023-7-10 12:53
你遇到的错误是由于PyPDF2库的更新导致的。在PyPDF2版本3.0.0中，PdfFileReader类已经被弃用并移除了，需 ...

import os
from PyPDF2 import PdfReader

def search_keywords_in_pdf(directory, keyword):
    files = os.listdir(directory)
    for file in files:
        if file.endswith('.pdf'):
            file_path = os.path.join(directory, file)
            with open(file_path, 'rb') as f:
                pdf = PdfReader(f)
                for page_num, page in enumerate(pdf.pages, start=1):
                    text = page.extract_text() #用extract_text函数获取当前页的文本内容
                    if keyword in text:
                        print(f"Keyword '{keyword}' found in {file} (Page {page_num})")

search_keywords_in_pdf('F:\\', '工资')

运行没有错误，但是找不到东西 是不是路径不对？

ssqchina

isdkz 发表于 2023-7-9 23:26
在Python中，你可以使用PyPDF2库来处理PDF文件。它提供了一些有用的功能，如从PDF文件中提取文本、搜索关键 ...

你这个指定文件名？比如我要搜索d:\报表文件夹下所有PDF文件 怎么改？

isdkz

ssqchina 发表于 2023-7-10 14:05
你这个指定文件名？比如我要搜索d:\报表文件夹下所有PDF文件 怎么改？

如果你要搜索 d:\报表文件夹 下的所有PDF文件，可以使用 os 库来列出该文件夹下的所有PDF文件，然后对每个文件进行搜索。

以下是修改后的代码示例：

import os
import PyPDF2

def search_keywords_in_pdf(file_path, keywords):
    with open(file_path, 'rb') as file:
        pdf_reader = PyPDF2.PdfReader(file)
        for page in pdf_reader.pages:
            text = page.extract_text()
            for keyword in keywords:
                if keyword in text:
                    print(f"Found '{keyword}' in {file_path} (Page {page.page_number})")

# 搜索关键字列表
keywords = ['keyword1', 'keyword2']

# 搜索指定文件夹下的所有PDF文件
folder_path = r'd:\报表文件夹'

for root, dirs, files in os.walk(folder_path):
    for file_name in files:
        if file_name.endswith('.pdf'):
            file_path = os.path.join(root, file_name)
            search_keywords_in_pdf(file_path, keywords)

在上述代码中，我们使用 os.walk 函数遍历了指定文件夹及其子文件夹下的所有文件。然后，我们判断每个文件是否以 .pdf 为扩展名，如果是，则使用 os.path.join 函数构建文件的完整路径，并将其传递给 search_keywords_in_pdf 函数进行搜索。

请注意， folder_path 变量前面的 r 表示原始字符串，用于处理路径中的转义字符。

你可以将上述代码保存为Python脚本并运行，以搜索 d:\报表文件夹 下的所有PDF文件中的关键字。记得将 keywords 列表替换为你要搜索的实际关键字列表。

ssqchina

sfqxx 发表于 2023-7-10 12:53
你遇到的错误是由于PyPDF2库的更新导致的。在PyPDF2版本3.0.0中，PdfFileReader类已经被弃用并移除了，需 ...

问题找到了，就是if file.endswith('.pdf'):中的PDF大写和小写 搜索结果还不一样，这个怎么改？

sfqxx

ssqchina 发表于 2023-7-10 15:36
问题找到了，就是if file.endswith('.pdf'):中的PDF大写和小写 搜索结果还不一样，这个怎么改？

你遇到的问题是因为文件扩展名的大小写导致的匹配错误。在Windows系统中，文件扩展名的大小写通常是不敏感的，而在其他操作系统（如Linux）中是区分大小写的。

要解决这个问题，你可以在比较文件扩展名时忽略大小写。可以使用`.lower()`函数将文件扩展名转换为小写来实现。

以下是修改后的代码示例：

import os
from PyPDF2 import PdfReader

def search_keywords_in_pdf(directory, keyword):
    files = os.listdir(directory)
    for file in files:
        if file.lower().endswith('.pdf'):  #忽略文件扩展名大小写
            file_path = os.path.join(directory, file)
            with open(file_path, 'rb') as f:
                pdf = PdfReader(f)
                for page_num, page in enumerate(pdf.pages, start=1):
                    text = page.extract_text()
                    if keyword in text:
                        print(f"Keyword '{keyword}' found in {file} (Page {page_num})")

# 指定要搜索的目录和关键字
directory = '/path/to/pdf/files/directory'
keyword = 'your_keyword'

search_keywords_in_pdf(directory, keyword)

请将`/path/to/pdf/files/directory`替换为包含你的PDF文件的目录路径，将`your_keyword`替换为你要搜索的关键字。使用`.lower()`函数将文件扩展名转换为小写，使得无论文件扩展名是大写还是小写，都能正确匹配。

同样，请确保已安装最新版本的PyPDF2库，并将代码中的目录路径和关键字替换为你自己的实际值。