搜索不出结果，问题出在哪？

ssqchina

#pip install PyPDF2
import os
import re
from PyPDF2 import PdfReader

def search_keywords_in_pdf_directory(directory, keyword):
    # 获取目录下的所有PDF文件路径
    pdf_files = [os.path.join(directory, filename) for filename in os.listdir(directory) if filename.endswith('.pdf')]

    results = []
    for pdf_file in pdf_files:
        with open(pdf_file, 'rb') as file:
            pdf = PdfReader(file)

            for page_num, page in enumerate(pdf.pages, start=1):
                text = page.extract_text()

                # 使用正则表达式在文本中搜索关键字
                pattern = re.compile(r'\b{}\b'.format(keyword), flags=re.IGNORECASE)
                matches = re.finditer(pattern, text)

                for match in matches:
                    match_text = match.group(0)
                    match_page = page_num + 1

                    # 获取关键字所在的行及其上下行内容
                    lines = text.split('\n')
                    start_line = max(match.start() - 1, 0)
                    end_line = min(match.end() + 1, len(lines))

                    context_lines = lines[start_line:end_line]

                    # 在关键字所在行将关键字标记为红色
                    highlighted_lines = []
                    for line in context_lines:
                        highlighted_line = line.replace(match_text, '\033[91m{}\033[0m'.format(match_text))
                        highlighted_lines.append(highlighted_line)

                    result = {
                        'file': pdf_file,
                        'page': match_page,
                        'context': highlighted_lines
                    }
                    results.append(result)

    return results

# 示例用法
directory_path = 'e:\\'  # 修改为实际的目录路径
search_keyword = input('请输入要查询的内容')

search_results = search_keywords_in_pdf_directory(directory_path, search_keyword)

for result in search_results:
    print('文件名:', result['file'])
    print('页数:', result['page'])
    print('上下文:')
    for line in result['context']:
        print(line)
    print()

Mike_python小

问题分析：
根据您提供的代码和错误信息，发现了以下问题：

1. 缩进错误：在for pdf_file in pdf_files:循环和其后的代码中，缺少了必要的缩进。请确保在with open(pdf_file, 'rb') as file:和其后的代码块之前正确缩进。

2. 路径问题：您提供的示例代码中，将目录路径设置为'e:\\'。请确保这个目录路径存在，并且其中包含PDF文件以供搜索。

解决方案：
请尝试进行以下修改：

2. # 示例用法
3. directory_path = r'e:\'  # 修改为实际的目录路径，注意添加原始字符串前缀r
4. search_keyword = input('请输入要查询的内容')
6. search_results = search_keywords_in_pdf_directory(directory_path, search_keyword)
8. for result in search_results:
9.     print('文件名:', result['file'])
10.     print('页数:', result['page'])
11.     print('上下文:')
12.     for line in result['context']:
13.         print(line)
14.     print()

复制代码

请注意，修改后的目录路径应该是实际存在的，并且包含您想要搜索的PDF文件。另外，确保在关键字输入时使用合适的语法。

希望以上解决方案能够帮助您解决问题。如果还有其他疑问，请随时提出。

球一个最佳答案谢谢啦！这对我非常重要！

isdkz

从你的代码来看，主要在PDF文件中搜索关键字并高亮显示关键字。如果你的代码不能产生期望的结果，那么可能的问题有以下几种：

1. PDF文件内容的提取问题：PyPDF2并不是最好的库来提取PDF中的文本。PyPDF2有时不能正确地解析PDF中的文本。如果你试图在无法正确解析的PDF文件中搜索关键字，那么很有可能搜索不到。你可以尝试使用别的库来提取PDF中的文本，比如PDFMiner。

2. 正则表达式的问题：你用的正则表达式  \b{}\b  能够确保你搜到的词是一个完整的词，而不是某个词的一部分。然而，它可能会错过一些特殊情况。比如，如果你的关键字是 "open"，那么 "opened" 和 "opening" 就会被错过。你需要根据你的实际需求修改你的正则表达式。

3. 字符编码问题：如果你的PDF文件包含非ASCII字符，PyPDF2可能不能正确地解码这些字符。这可能会导致你的搜索失败。你可以尝试使用别的库来解决这个问题，比如PDFMiner。

以下是你的代码改用PDFMiner的版本：

1. #pip install pdfminer.six
   
2. import os
   
3. import re
   
4. from pdfminer.high_level import extract_text
   
5. 
   
6. def search_keywords_in_pdf_directory(directory, keyword):
   
7.     # 获取目录下的所有PDF文件路径
   
8.     pdf_files = [os.path.join(directory, filename) for filename in os.listdir(directory) if filename.endswith('.pdf')]
   
9. 
   
10.     results = []
    
11.     for pdf_file in pdf_files:
    
12.         text = extract_text(pdf_file)
    
13. 
    
14.         # 使用正则表达式在文本中搜索关键字
    
15.         pattern = re.compile(r'\b{}\b'.format(keyword), flags=re.IGNORECASE)
    
16.         matches = re.finditer(pattern, text)
    
17. 
    
18.         for match in matches:
    
19.             match_text = match.group(0)
    
20. 
    
21.             # 获取关键字所在的行及其上下行内容
    
22.             lines = text.split('\n')
    
23.             start_line = max(match.start() - 1, 0)
    
24.             end_line = min(match.end() + 1, len(lines))
    
25. 
    
26.             context_lines = lines[start_line:end_line]
    
27. 
    
28.             # 在关键字所在行将关键字标记为红色
    
29.             highlighted_lines = []
    
30.             for line in context_lines:
    
31.                 highlighted_line = line.replace(match_text, '\033[91m{}\033[0m'.format(match_text))
    
32.                 highlighted_lines.append(highlighted_line)
    
33. 
    
34.             result = {
    
35.                 'file': pdf_file,
    
36.                 'context': highlighted_lines
    
37.             }
    
38.             results.append(result)
    
39. 
    
40.     return results
    
41. 
    
42. # 示例用法
    
43. directory_path = 'e:\\'  # 修改为实际的目录路径
    
44. search_keyword = input('请输入要查询的内容')
    
45. 
    
46. search_results = search_keywords_in_pdf_directory(directory_path, search_keyword)
    
47. 
    
48. for result in search_results:
    
49.     print('文件名:', result['file'])
    
50.     print('上下文:')
    
51.     for line in result['context']:
    
52.         print(line)
    
53.     print()
    

复制代码

注意：此段代码不再提供页码信息，因为PDFMiner的 extract_text 方法会返回整个PDF文件的文本，而不是单个页面的文本。如果需要在找到关键字的同时提供关键字所在的页码，你可能需要使用PDFMiner的更底层的API。

请注意，在使用新的PDF库时，你可能需要对代码进行一些调整以确保其能够正常工作。

ssqchina

isdkz 发表于 2023-7-22 00:35
从你的代码来看，主要在PDF文件中搜索关键字并高亮显示关键字。如果你的代码不能产生期望的结果，那么可能 ...

这个比我那个更费时，但是还是找不出
我原来代码能找出
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"found '{keyword}' in {file} (Page {page_num})")

# 指定要搜索的目录和关键字
directory = 'e:\\'
keyword = input('请输入要查询的内容')

search_keywords_in_pdf(directory, keyword)
print('搜索结束！')

陶远航

从给出的代码来看，问题可能出在以下几个方面：

目录路径错误：确保directory_path变量中存储的是正确的目录路径。如果找不到目录或者没有权限访问该目录，就无法搜索到文件。

PDF文件格式错误：代码使用PyPDF2库来解析PDF文件，但并不是所有的PDF文件都可以被成功解析。请确保要搜索的PDF文件是有效的、可读取的文件，并且使用的是支持的PDF版本。

关键字匹配问题：正则表达式中的\b用于匹配单词边界，以确保只匹配完整单词而不是单词的一部分。如果关键字包含特殊字符或者连续的空格，可能会导致匹配失败。请确保输入的关键字符合预期并且存在于PDF文本中。

编码问题：有些PDF文件使用非标准编码或特殊字符集，可能会导致提取文本时出现乱码或异常结果。这可能需要进行额外的处理或使用其他库来解决。

代码逻辑错误：上述代码基本上是正确的，但仍然可能存在某些逻辑错误。例如，获取关键字所在行及其上下行内容时，起始行和结束行的计算是否正确等。你可以检查代码中的每个步骤，以确定哪个步骤导致了问题。

请对以上方面进行检查，并确保代码中的每个部分都按预期工作。如果问题仍然存在，请提供更多详细信息，以便我能够帮助你解决问题。

ssqchina

陶远航 发表于 2023-7-22 20:39
从给出的代码来看，问题可能出在以下几个方面：

目录路径错误：确保directory_path变量中存储的是正确的 ...

修改之前的代码能运行
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"found '{keyword}' in {file} (Page {page_num})")

# 指定要搜索的目录和关键字
directory = 'e:\\'
keyword = input('请输入要查询的内容')

search_keywords_in_pdf(directory, keyword)
print('搜索结束！')