### 使用 Python 统计 PDF 文件中的关键词 要实现统计 PDF 文件中的关键词功能，可以借助多个第三方库完成整个流程。以下是具体方法： #### 1. 提取 PDF 文本 提取 PDF 中的文本通常使用 `PyPDF2` 或者更现代的 `pdfplumber` 库[^5]。这些工具能够解析 PDF 并将其转换为可处理的字符串形式。 安装所需库： ```bash pip install PyPDF2 pdfplumber ``` 代码示例（基于 `pdfplumber`）： ```python import pdfplumber def extract_text_from_pdf(pdf_path): text = "" with pdfplumber.open(pdf_path) as pdf: for page in pdf.pages: text += page.extract_text() or "" # 如果某页无文字，则跳过 return text.strip() ``` 上述代码会读取指定路径下的 PDF 文件并返回其全部文本内容[^5]。 #### 2. 关键词统计 对于关键词统计，可以利用正则表达式或者自然语言处理技术。如果目标是简单的单词频率统计，推荐使用 `collections.Counter`；如果是复杂场景（如去除停用词、分词等），建议引入 `nltk` 或其他 NLP 工具[^4]。 ##### 方法一：简单统计 适用于仅需计算单个词语出现次数的情况。 ```python from collections import Counter import re def count_keywords(text, keywords): words = re.findall(r'\b\w+\b', text.lower()) # 将文本拆分为小写单词列表 counter = Counter(words) result = {keyword: counter[keyword.lower()] for keyword in keywords} return result ``` 调用方式如下： ```python text = extract_text_from_pdf("example.pdf") # 假设已定义该函数 keywords = ["algorithm", "data", "structure"] result = count_keywords(text, keywords) print(result) ``` ##### 方法二：高级统计（带预处理） 当涉及中文或其他多字短语时，可能需要额外的语言分析支持。此时可以加载自定义 tokenizer。 ```python import nltk from nltk.corpus import stopwords # 下载必要资源 nltk.download('stopwords') nltk.download('punkt') def preprocess_and_count(text, custom_stopwords=None): stop_words = set(stopwords.words('english')) if custom_stopwords: stop_words.update(custom_stopwords) tokens = nltk.word_tokenize(text.lower()) filtered_tokens = [token for token in tokens if token.isalpha() and token not in stop_words] return Counter(filtered_tokens).most_common(10) # 返回前十个最常见词汇及其频次 ``` 注意此部分依赖于 NLTK 的英文停用词表以及基础分词器。 #### 3. 可视化结果 为了直观展示统计数据，还可以结合 `matplotlib` 和之前提到过的 `wordcloud` 创建图表或图像表示法[^2]。 绘制柱状图例子： ```python import matplotlib.pyplot as plt def plot_top_keywords(keyword_counts): labels, values = zip(*keyword_counts) plt.bar(labels, values) plt.xlabel('Keywords') plt.ylabel('Frequency') plt.title('Top Keywords Frequency') plt.show() top_keywords = preprocess_and_count(text)[:10] plot_top_keywords(top_keywords) ``` 生成词云实例： ```python from wordcloud import WordCloud def generate_word_cloud(text): wc = WordCloud(width=800, height=400, background_color='white').generate(text) plt.figure(figsize=(10, 5)) plt.imshow(wc, interpolation='bilinear') plt.axis("off") plt.show() generate_word_cloud(text) ``` 以上展示了完整的从数据获取到可视化的全过程。 ---