本文為你展示，如何用Python把許多PDF文件的文本內容批量提取出來，並且整理存儲到數據框中，以便於後續的數據分析。

問題

最近，讀者們在後臺的留言，愈發五花八門了。

寫了幾篇關於自然語言處理的文章後，一種呼聲漸強：

老師，pdf中的文本內容，有沒有什麼方便的方法提取出來呢？

我能體會到讀者的心情。

我展示的例子中，文本數據都是直接可以讀入數據框工具做處理的。它們可能來自開放數據集合、網站API，或者爬蟲。

但是，有的時候，你會遇到需要處理指定格式數據的問題。

例如pdf。

許多的學術論文、研究報告，甚至是資料分享，都採用這種格式發佈。

這時候，已經掌握了諸多自然語言分析工具的你，會頗有“拔劍四顧心茫然”的感覺——明明知道如何處理其中的文本信息，但就是隔著一個格式轉換的問題，做不來。

怎麼辦？

辦法自然是有的，例如專用工具、在線轉換服務網站，甚至還可以手動複製粘貼嘛。

但是，咱們是看重效率的，對不對？

上述辦法，有的需要在網上傳輸大量內容，花費時間較多，而且可能帶來安全和隱私問題；有的需要專門花錢購買；有的乾脆就不現實。

怎麼辦？

好消息是，Python就可以幫助你高效、快速地批量提取pdf文本內容，而且和數據整理分析工具無縫銜接，為你後續的分析處理做好基礎服務工作。

本文給你詳細展示這一過程。

想不想試試？

數據

為了更好地說明流程，我為你準備好了一個壓縮包。

裡面包括本教程的代碼，以及我們要用到的數據。

請你到 這個網址

下載後解壓，你會在生成的目錄（下稱“演示目錄”）裡面看到以下內容

演示目錄裡面包含：

• Pipfile: pipenv 配置文件，用來準備咱們變成需要用到的依賴包。後文會講解使用方法；
• pdf_extractor.py: 利用pdfminer.six編寫的輔助函數。有了它你就可以直接調用pdfminer提供的pdf文本內容抽取功能，而不必考慮一大堆惱人的參數；
• demo.ipynb: 已經為你寫好的本教程 Python 源代碼 （Jupyter Notebook格式）。

另外，演示目錄中還包括了2個文件夾。

這兩個文件夾裡面，都是中文pdf文件，用來給你展示pdf內容抽取。它們都是我幾年前發表的中文核心期刊論文。

這裡做2點說明：

1. 使用我自己的論文做示例，是因為我怕用別人的論文做文本抽取，會與論文作者及數據庫運營商之間有知識產權的糾紛；
2. 分成2個文件夾，是為了向你展示添加新的pdf文件時，抽取工具會如何處理。

pdf文件夾內容如下：

newpdf文件夾內容如下：

數據準備好了，下面我們來部署代碼運行環境。

環境

要安裝Python，比較省事的辦法是裝Anaconda套裝。

請到 這個網址 下載Anaconda的最新版本。

請選擇左側的 Python 3.6

如果你需要具體的步驟指導，或者想知道Windows平臺如何安裝並運行Anaconda命令，請參考我為你準備的 視頻教程 。

安裝好Anaconda之後，打開終端，用cd命令進入演示目錄。

如果你不瞭解具體使用方法，也可以參考 視頻教程 。

我們需要安裝一些環境依賴包。

首先執行：

pip install pipenv

這裡安裝的，是一個優秀的 Python 軟件包管理工具 pipenv 。

安裝後，請執行：

pipenv install --skip-lock

pipenv 工具會依照Pipfile，自動為我們安裝所需要的全部依賴軟件包。

終端裡面會有進度條，提示所需安裝軟件數量和實際進度。

裝好後，根據提示我們執行：

pipenv shell

這樣，我們就進入本教程專屬的虛擬運行環境了。

注意一定要執行下面這句：

python -m ipykernel install --user --name=py36

只有這樣，當前的Python環境才會作為核心（kernel）在系統中註冊，並且命名為py36。

此處請確認你的電腦上已經安裝了 Google Chrome 瀏覽器。

我們執行：

jupyter notebook

默認瀏覽器（Google Chrome）會開啟，並啟動 Jupyter 筆記本界面：

你可以直接點擊文件列表中的第一項ipynb文件，可以看到本教程的全部示例代碼。

你可以一邊看教程的講解，一邊依次執行這些代碼。

但是，我建議的方法，是回到主界面下，新建一個新的空白 Python 3 筆記本（顯示名稱為 py36 的那個）。

請跟著教程，一個個字符輸入相應的內容。這可以幫助你更為深刻地理解代碼的含義，更高效地把技能內化。

當你在編寫代碼中遇到困難的時候，可以返回參照 demo.ipynb 文件。

準備工作結束，下面我們開始正式輸入代碼。

代碼

首先，我們讀入一些模塊，以進行文件操作。

import glob
import os

前文提到過，演示目錄下，有兩個文件夾，分別是pdf和newpdf。

我們指定 pdf 文件所在路徑為其中的pdf文件夾。

pdf_path = "pdf/"

我們希望獲得所有 pdf 文件的路徑。用glob，一條命令就能完成這個功能。

pdfs = glob.glob("{}/*.pdf".format(pdf_path))

看看我們獲得的 pdf 文件路徑是否正確。

pdfs
['pdf/複雜系統仿真的微博客虛假信息擴散模型研究.pdf',
 'pdf/面向影子分析的社交媒體競爭情報蒐集.pdf', 

 'pdf/面向人機協同的移動互聯網政務門戶探析.pdf']

經驗證。準確無誤。

下面我們利用 pdfminer 來從 pdf 文件中抽取內容。我們需要從輔助 Python 文件 pdf_extractor.py 中讀入函數 extract_pdf_content。

from pdf_extractor import extract_pdf_content

用這個函數，我們嘗試從 pdf 文件列表中的第一篇裡，抽取內容，並且把文本保存在 content 變量裡。

content = extract_pdf_content(pdfs[0])

我們看看 content 裡都有什麼：

content

顯然，內容抽取並不完美，頁眉頁腳等信息都混了進來。

不過，對於我們的許多文本分析用途來說，這無關緊要。

你會看到 content 的內容裡面有許多的 \n，這是什麼呢？

我們用 print 函數，來顯示 content 的內容。

print(content)

可以清楚看到，那些 \n 是換行符。

通過一個 pdf 文件的抽取測試，我們建立了信心。

下面，我們該建立辭典，批量抽取和存儲內容了。

mydict = {}

我們遍歷 pdfs 列表，把文件名稱（不包含目錄）作為鍵值。這樣，我們可以很容易看到，哪些pdf文件已經被抽取過了，哪些還沒有抽取。

為了讓這個過程更為清晰，我們讓Python輸出正在抽取的 pdf 文件名。

for pdf in pdfs:
 key = pdf.split('/')[-1]
 if not key in mydict:
 print("Extracting content from {} ...".format(pdf))
 mydict[key] = extract_pdf_content(pdf)

抽取過程中，你會看到這些輸出信息：

Extracting content from pdf/複雜系統仿真的微博客虛假信息擴散模型研究.pdf ...
Extracting content from pdf/面向影子分析的社交媒體競爭情報蒐集.pdf ...
Extracting content from pdf/面向人機協同的移動互聯網政務門戶探析.pdf ...

看看此時字典中的鍵值都有哪些：

mydict.keys()
dict_keys(['複雜系統仿真的微博客虛假信息擴散模型研究.pdf', '面向影子分析的社交媒體競爭情報蒐集.pdf', '面向人機協同的移動互聯網政務門戶探析.pdf'])

一切正常。

下面我們調用pandas，把字典變成數據框，以利於分析。

import pandas as pd

下面這條語句，就可以把字典轉換成數據框了。注意後面的reset_index()把原先字典鍵值生成的索引也轉換成了普通的列。

df = pd.DataFrame.from_dict(mydict, orient='index').reset_index()

然後我們重新命名列，以便於後續使用。

df.columns = ["path", "content"]

此時的數據框內容如下：

df

可以看到，我們的數據框擁有了pdf文件信息和全部文本內容。這樣你就可以使用關鍵詞抽取、情感分析、相似度計算等等諸多分析工具了。

篇幅所限，我們這裡只用一個字符數量統計的例子來展示基本分析功能。

我們讓 Python 幫我們統計抽取內容的長度。

df["length"] = df.content.apply(lambda x: len(x))

此時的數據框內容發生以下變化：

df

多出的一列，就是 pdf 文本內容的字符數量。

為了在 Jupyter Notebook 裡面正確展示繪圖結果，我們需要使用以下語句：

%matplotlib inline

下面，我們讓 Pandas 把字符長度一列的信息用柱狀圖標示出來。為了顯示的美觀，我們設置了圖片的長寬比例，並且把對應的pdf文件名稱以傾斜45度來展示。

import matplotlib.pyplot as plt
plt.figure(figsize=(14, 6))
df.set_index('path').length.plot(kind='bar')
plt.xticks(rotation=45)

可視化分析完成。

下面我們把剛才的分析流程整理成函數，以便於將來更方便地調用。

我們先整合pdf內容提取到字典的模塊：

def get_mydict_from_pdf_path(mydict, pdf_path):
 pdfs = glob.glob("{}/*.pdf".format(pdf_path))
 for pdf in pdfs:
 key = pdf.split('/')[-1]
 if not key in mydict:
 print("Extracting content from {} ...".format(pdf))
 mydict[key] = extract_pdf_content(pdf)
 return mydict

這裡輸入是已有詞典和pdf文件夾路徑。輸出為新的詞典。

你可能會納悶為何還要輸入“已有詞典”。彆著急，一會兒我用實際例子展示給你看。

下面這個函數非常直白——就是把詞典轉換成數據框。

def make_df_from_mydict(mydict):
 df = pd.DataFrame.from_dict(mydict, orient='index').reset_index()
 df.columns = ["path", "content"]
 return df

最後一個函數，用於繪製統計出來的字符數量。

def draw_df(df):
 df["length"] = df.content.apply(lambda x: len(x))
 plt.figure(figsize=(14, 6)) 

 df.set_index('path').length.plot(kind='bar')
 plt.xticks(rotation=45)

函數已經編好，下面我們來嘗試一下。

還記得演示目錄下有個子目錄，叫做newpdf對吧？

我們把其中的2個pdf文件，移動到pdf目錄下面。

這樣pdf目錄下面，就有了5個文件：

我們執行新整理出的3個函數。

首先輸入已有的詞典（注意此時裡面已有3條記錄），pdf文件夾路徑沒變化。輸出是新的詞典。

mydict = get_mydict_from_pdf_path(mydict, pdf_path)
Extracting content from pdf/微博客 Twitter 的企業競爭情報蒐集.pdf ...
Extracting content from pdf/移動社交媒體用戶隱私保護對策研究.pdf ...

注意這裡的提示，原先的3個pdf文件沒有被再次抽取，只有2個新pdf文件被抽取。

咱們這裡一共只有5個文件，所以你直觀上可能無法感受出顯著的區別。

但是，假設你原先已經用幾個小時，抽取了成百上千個pdf文件信息，結果你的老闆又丟給你3個新的pdf文件……

如果你必須從頭抽取信息，恐怕會很崩潰吧。

這時候，使用咱們的函數，你可以在1分鐘之內把新的文件內容追加進去。

這差別，不小吧？

下面我們用新的詞典，構建數據框。

df = make_df_from_mydict(mydict) 

我們繪製新的數據框裡，pdf抽取文本字符數量。結果如下：

draw_df(df)

至此，代碼展示完畢。

小結

總結一下，本文為你介紹了以下知識點：

• 如何用glob批量讀取目錄下指定格式的文件路徑；
• 如何用pdfminer從pdf文件中抽取文本信息；
• 如何構建詞典，存儲與鍵值（本文中為文件名）對應的內容，並且避免重複處理數據；
• 如何將詞典數據結構輕鬆轉換為Pandas數據框，以便於後續數據分析。
• 如何用matplotlib和pandas自帶的繪圖函數輕鬆繪製柱狀統計圖形。

討論

你之前做的數據分析工作中，遇到過需要從pdf文件抽取文本的任務嗎？你是如何處理的？有沒有更好的工具與方法？歡迎留言，把你的經驗和思考分享給大家，我們一起交流，加QQ群813622576 群內有免費資料大家學習哦 1

閱讀更多 sxyyw 的文章

關鍵字: Chrome 批量 提取