时间戳

首页 > 解决方案 > 如何在 PDF 文档中搜索公司名称或股票代码？

python - 如何在 PDF 文档中搜索公司名称或股票代码？

问题描述

我正在尝试查找一堆 PDF 文档中提到的股票/公司。有时，使用公司名称（例如，美国运通），有时，PDF 仅包含股票代码（例如，AXP）。

我可以用这段代码很容易地找到这些符号：

import PyPDF2
import os
import re

tickers = ['AMZN', 'V', 'ETSY', 'AXP', 'AA', 'FB'] 

source_dir = '/Users/person/folder/'
for dir, subdir, files in os.walk(source_dir):
    for file in files:
        if file.endswith('.pdf'):
            file = os.path.join(dir, file)
            pdfFileObj = open(file, 'rb')
            pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
            if pdfReader.isEncrypted:
                print("Skipping " + file)
                pass
            else:
                num_pages = pdfReader.numPages

                count = 0
                text = " "

                while count < num_pages:
                    pageObj = pdfReader.getPage(count)
                    count += 1
                    text += pageObj.extractText()

                print("\n" + file)
                # print(text)

                matches = re.findall(regex, text)
                matches = list(dict.fromkeys(matches))
                for match in matches:
                    print("- " + match)

但有时 PDF 仅提及公司名称。我将如何搜索股票代码或公司名称，然后返回两者？所以期望的输出是：

/Users/person/folder/file.pdf
- AMZN (Amazon)
- AXP (American Express)
- AA (American Airlines)
- V (Visa)

我有一个将股票代码映射到公司名称的 csv 文件，但如果它更容易，我愿意将其作为数据库或字典。

这是示例代码/公司名称数据：

| Ticker | Company Name     |
-----------------------------
|  AMZN  | Amazon Inc       |
-----------------------------
|   V    | Visa Inc.        |
-----------------------------
|  ETSY  | Etsy             |
-----------------------------
|  AXP   | American Express |
----------------------------- 
|  AA   | American Airlines |
----------------------------- 
|  FB    | Facebook         |
-----------------------------

这是一些示例文本：

- Etsy (ETSY): Etsy do eiusmod tempor incid is Duis aute irure Etsy dolor in reprehenderit in volup 
- AXP: Excepteur sint occaecat cupidatat non proident, sunt in culpa AXP deserunt
- AA: American Airlines id est laborum. 
- V: enim ad minim veniam (V) est.

我该如何解决这个问题？

标签： pythonregexpdffull-text-search

解决方案

您会发现这种方法很有用：

import re

# Create dict from tickers and company
# Can be done from csv file
s = {'AMZN' : 'Amazon Inc.',
'V' : 'Visa Inc.',
'ETSY' : 'Etsy',
'AXP' : 'American Express',
'AA' : 'American Airlines',
'FB' : 'Facebook'}


# Create regex from dict s
regex = ''
for key, item in s.items():
    regex = regex + r'\b' + key + r'|\b' + item + r'|'

# Remove last '|' (or)
regex = regex[:-1]

现在你的正则表达式将是这样的：

regex = '\bAMZN|\bAmazon Inc.|\bV|\bVisa Inc.|   ..etc..   |\bFB|\bFacebook'

搜索后，您可以创建一个找到的代码字典：

matches = re.findall(regex, text)

# Create an empty dictionary of matches
matches_d = dict()

for m in matches:
    if m in s.keys():
        matches_d[m] = s[m]
    if m in s.values():
        # Find key from value
        key = list(s.keys())[list(s.values()).index(m)]
        matches_d[key] = s[key]

虽然匹配是这样的列表：

['Etsy', 'ETSY', 'AXP', 'Facebook', 'AA', 'American Airlines', 'V']

match_d（最终字典）将是这样的：

{'ETSY': 'Etsy',
 'AXP': 'American Express',
 'AA': 'American Airlines',
 'V': 'Visa Inc.'}

推荐阅读