python - 从 pdf 文件中抓取一篇文章 - Python

Question

我有超过 5000 个 pdf 文件，每个文件至少 15 页，最多 20 页。我使用 pypdf2 找出 5000 个 pdf 文件中的哪些具有我要查找的关键字以及在哪个页面上。

现在我有以下数据：

我想知道是否有办法让我使用这些数据在特定页面上获取特定文章。我现在知道要检查哪些文件名和哪个页面。

非常感谢。

标签： pythonpdfpdf-generationpypdf2pypdf

Answer 1

有一个名为tika的库。它可以从单个页面中提取文本。您可以通过这样一种方式拆分您的 pdf，即您只有相关页面仍然可用。然后你可以使用：

parsed_page = parser.from_file('sample.pdf')
print(parsed_page['content'])

注意：此库需要在系统上安装 Java