### 使用Python从PDF文件中提取文本并统计词频 为了完成这一任务，可以使用 `PyPDF2` 或者更高效的 `PyMuPDF (fitz)` 库来读取 PDF 文件的内容。以下是具体方法： #### 安装依赖库 首先需要安装必要的 Python 库： ```bash pip install PyPDF2 pymupdf ``` #### 提取PDF内容并统计词频 下面是一个完整的代码示例，展示如何从桌面上的 PDF 文件中提取文本，并找出出现频率最高的 10 个单词。 ```python import os from collections import Counter import re import fitz # PyMuPDF def extract_text_from_pdf(pdf_path): """从给定路径的PDF文件中提取文本""" document = fitz.open(pdf_path) text_content = "" for page_num in range(len(document)): page = document.load_page(page_num) text_content += page.get_text() return text_content.strip() # 去除首尾空白字符[^1] def count_word_frequencies(text): """计算文本中各单词的出现次数""" words = re.findall(r'\b\w+\b', text.lower()) # 转换为小写并匹配单词[^3] word_counts = Counter(words) return word_counts.most_common(10) # 获取前10高频单词及其计数 def main(): desktop_path = os.path.join(os.path.expanduser("~"), "Desktop") # 获取桌面路径 pdf_files = [f for f in os.listdir(desktop_path) if f.endswith('.pdf')] # 查找所有PDF文件 if not pdf_files: print("未找到任何PDF文件") return for pdf_file in pdf_files: pdf_path = os.path.join(desktop_path, pdf_file) try: extracted_text = extract_text_from_pdf(pdf_path) top_words = count_word_frequencies(extracted_text) print(f"\n{pdf_file} 中最常出现的10个单词:") for word, freq in top_words: print(f"{word}: {freq}") except Exception as e: print(f"无法处理文件 {pdf_file}, 错误原因: {e}") if __name__ == "__main__": main() ``` 上述代码实现了以下功能： - 遍历当前用户的桌面目录，查找所有的 `.pdf` 文件。 - 对于每一个 PDF 文件，调用函数 `extract_text_from_pdf` 来提取其全部文本内容。 - 将提取到的文本传递至 `count_word_frequencies` 函数，该函数会返回出现频率最高的 10 个单词及其对应的出现次数。 #### 注意事项 如果遇到某些特殊格式的 PDF 文档（如扫描件），可能需要额外的 OCR 技术支持才能成功提取文字[^2]。 ---