點擊上方“Python爬蟲與數(shù)據(jù)挖掘”，進行關(guān)注

回復(fù)“書籍”即可獲贈Python從入門到進階共10本電子書

【資料圖】

今

日

雞

湯

你若盛開,清風自來。

大家好，我是皮皮。

一、前言

前幾天在幫助粉絲解決問題的時候，遇到一個簡單的小需求，需要批量提取pdf文件目標信息，這里拿出來跟大家一起分享，后面再次遇到的時候，可以從這里得到靈感。

二、需求澄清

下面他下載的pdf文件，有幾百個文件，這里拿出部分做示例，每個pdf文件里邊有一個統(tǒng)一社會信用代碼，后面的數(shù)字和字符是他的目標信息，需要提取出來。

三、實現(xiàn)過程

這里實現(xiàn)主要借用了pdf文件讀取庫和正則表達式來提取，先給出單個pdf文件提取的方法，代碼如下所示：

frompdfminerimporthigh_levelimportretext=high_level.extract_text("1.pdf")#提取pdf中的文本信息#print(text)regex=r"統(tǒng)一社會信用代碼：(.*?)\n"xinyongcode=re.findall(regex,text)print(xinyongcode)

有了前面的代碼打底之后，接下來就可以實現(xiàn)批量處理了，代碼如下所示：

frompdfminerimporthigh_levelfrompdfminer.layoutimportLTTextContainer#文本容器importreimportosforroot,dirs,filesinos.walk("./"):#root表示當前正在訪問的文件夾路徑;dirs表示該文件夾下的子目錄名list;files表示該文件夾下的文件list#遍歷文件forfinfiles:file_name=os.path.join(root,f)iffile_name.endswith(".pdf"):text=high_level.extract_text(file_name)#提取pdf中的文本信息regex=r"統(tǒng)一社會信用代碼：(.*?)\n"xinyongcode=re.findall(regex,text)print(xinyongcode[0])

代碼運行之后，可以依次得到所有文件攜帶的目標信息，如下圖所示：

剩下的工作就不多贅述了，大家自行考慮即可。

三、總結(jié)

大家好，我是皮皮。這篇文章主要盤點一個批量提取pdf文件目標信息的實用案例，文中針對該問題，給出了具體的解析和代碼實現(xiàn)，幫助粉絲順利解決了問題。

大家在學(xué)習(xí)過程中如果有遇到問題，歡迎隨時聯(lián)系我解決（我的微信：pdcfighting），應(yīng)粉絲要求，我創(chuàng)建了一些高質(zhì)量的Python付費學(xué)習(xí)交流群和付費接單群，歡迎大家加入我的Python學(xué)習(xí)交流群和接單群！

小伙伴們，快快用實踐一下吧！如果在學(xué)習(xí)過程中，有遇到任何問題，歡迎加我好友，我拉你進Python學(xué)習(xí)交流群共同探討學(xué)習(xí)。

-------------------End-------------------

往期精彩文章推薦：

盤點一個網(wǎng)絡(luò)爬蟲POST請求參數(shù)構(gòu)造的問題

盤點一個Python基礎(chǔ)中循環(huán)判斷遇到一個小問題

重裝pycharm和Python環(huán)境以后，以前的文件selenium獲取不到元素了?

不使用內(nèi)置函數(shù)的情況下，如何使用Python實現(xiàn)求平均值、最大值和最小值？

歡迎大家點贊，留言，轉(zhuǎn)發(fā)，轉(zhuǎn)載，感謝大家的相伴與支持

想加入Python學(xué)習(xí)群請在后臺回復(fù)【入群】

萬水千山總是情，點個【在看】行不行

/今日留言主題/

隨便說一兩句吧~~

關(guān)鍵詞： 學(xué)習(xí)交流 信用代碼 數(shù)據(jù)挖掘