### 批量提取PDF文件中的特定文本内容 在Python中，可以使用`pdfminer`库来批量提取PDF文件中的特定文本内容。以下是一个完整的解决方案，包括代码示例和详细说明[^2]。 #### 1. 环境准备 确保安装了必要的库： ```bash pip install pdfminer.six ``` #### 2. 代码实现 以下代码展示了如何从指定目录下的所有PDF文件中提取特定文本内容，并保存结果到输出文件中： ```python import os from pdfminer.high_level import extract_text import re # 定义函数：提取PDF中的特定文本 def extract_specific_text_from_pdf(pdf_path, pattern): # 提取整个PDF文本 text = extract_text(pdf_path) # 使用正则表达式匹配特定部分 matches = re.findall(pattern, text, re.DOTALL) return matches # 遍历指定目录下的所有PDF文件 def process_pdfs_in_directory(directory, pattern, output_file): with open(output_file, 'w', encoding='utf-8') as out_f: for root, dirs, files in os.walk(directory): for file in files: if file.endswith('.pdf'): pdf_path = os.path.join(root, file) try: matches = extract_specific_text_from_pdf(pdf_path, pattern) if matches: out_f.write(f"File: {pdf_path}\n") for match in matches: out_f.write(f"Matched Content: {match.strip()}\n") out_f.write("-" * 50 + "\n") except Exception as e: out_f.write(f"Error processing {pdf_path}: {str(e)}\n") # 主程序 if __name__ == "__main__": # 指定要搜索的PDF目录 directory = './data/' # 定义正则表达式模式（例如提取“企业基本情况”后的内容） pattern = r'企业基本情况:(.*?)\n' # 输出结果文件 output_file = 'extracted_content.txt' process_pdfs_in_directory(directory, pattern, output_file) ``` #### 3. 代码说明 - **`extract_specific_text_from_pdf`**：该函数接受一个PDF文件路径和一个正则表达式模式，返回匹配到的所有文本内容。 - **`process_pdfs_in_directory`**：该函数遍历指定目录下的所有PDF文件，并将提取的结果写入到输出文件中。 - **正则表达式**：通过正则表达式定义需要提取的特定文本内容。例如，上述代码中的`r'企业基本情况:(.*?)\n'`用于匹配“企业基本情况”后面的内容。 #### 4. 注意事项 - 正则表达式的编写需要根据具体的PDF内容进行调整。如果目标文本格式不固定，可能需要更复杂的正则表达式或额外的处理逻辑。 - 如果PDF文件较大或包含复杂布局，提取过程可能会较慢，需耐心等待。 --- ###