數據分析遇到PDF文本，怎麼用Python批量提取內容

本文爲你展現，如何用Python把許多PDF文件的文本內容批量提取出來，而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。

寫了幾篇關於天然語言處理的文章後，一種呼聲漸強：

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。

我展現的例子中，文本數據都是直接能夠讀入數據框工具作處理的。它們可能來自開放數據集合、網站API，或者爬蟲。

可是，有的時候，你會遇到須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，已經掌握了諸多天然語言分析工具的你，會很有「拔劍四顧心茫然」的感受——明明知道如何處理其中的文本信息，但就是隔着一個格式轉換的問題，作不來。

怎麼辦？

辦法天然是有的，例如專用工具、在線轉換服務網站，甚至還能夠手動複製粘貼嘛。

可是，我們是看重效率的，對不對？

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

怎麼辦？

好消息是，Python就能夠幫助你高效、快速地批量提取pdf文本內容，並且和數據整理分析工具無縫銜接，爲你後續的分析處理作好基礎服務工做。

數據

爲了更好地說明流程，我爲你準備好了一個壓縮包。

裏面包括本教程的代碼，以及咱們要用到的數據。

請你到 這個網址 下載本教程配套的壓縮包。

下載後解壓，你會在生成的目錄（下稱「演示目錄」）裏面看到如下內容。

演示目錄裏面包含：

Pipfile: pipenv 配置文件，用來準備我們變成須要用到的依賴包。後文會講解使用方法；
pdf_extractor.py: 利用pdfminer.six編寫的輔助函數。有了它你就能夠直接調用pdfminer提供的pdf文本內容抽取功能，而沒必要考慮一大堆惱人的參數；
demo.ipynb: 已經爲你寫好的本教程 Python 源代碼 （Jupyter Notebook格式）。
另外，演示目錄中還包括了2個文件夾。

這兩個文件夾裏面，都是中文pdf文件，用來給你展現pdf內容抽取。

pdf文件夾內容以下：

newpdf文件夾內容以下：

代碼

首先，咱們讀入一些模塊，以進行文件操做。

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。

咱們指定 pdf 文件所在路徑爲其中的pdf文件夾。

pdf_path = "pdf/"

咱們但願得到全部 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))

看看咱們得到的 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。

下面咱們利用 pdfminer 來從 pdf 文件中抽取內容。咱們須要從輔助 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，咱們嘗試從 pdf 文件列表中的第一篇裏，抽取內容，而且把文本保存在 content 變量裏。

content = extract_pdf_content(pdfs[0])

咱們看看 content 裏都有什麼：

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，對於咱們的許多文本分析用途來講，這可有可無。

你會看到 content 的內容裏面有許多的 n，這是什麼呢？

咱們用 print 函數，來顯示 content 的內容。

print(content)

能夠清楚看到，那些 n 是換行符。

經過一個 pdf 文件的抽取測試，咱們創建了信心。

下面，咱們該創建辭典，批量抽取和存儲內容了。

mydict = {}

咱們遍歷 pdfs 列表，把文件名稱（不包含目錄）做爲鍵值。這樣，咱們能夠很容易看到，哪些pdf文件已經被抽取過了，哪些尚未抽取。

爲了讓這個過程更爲清晰，咱們讓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)

抽取過程當中，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。

下面咱們調用pandas，把字典變成數據框，以利於分析。

import pandas as pd

下面這條語句，就能夠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()

而後咱們從新命名列，以便於後續使用。

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

此時的數據框內容以下：

df

能夠看到，咱們的數據框擁有了pdf文件信息和所有文本內容。這樣你就可使用關鍵詞抽取、情感分析、類似度計算等等諸多分析工具了。

篇幅所限，咱們這裏只用一個字符數量統計的例子來展現基本分析功能。

咱們讓 Python 幫咱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如下變化：

df

多出的一列，就是 pdf 文本內容的字符數量。

爲了在 Jupyter Notebook 裏面正確展現繪圖結果，咱們須要使用如下語句：

%matplotlib inline

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

若是對Python編程、網絡爬蟲、機器學習、數據挖掘、web開發、人工智能、面試經驗交流。感興趣能夠519970686，羣內會有不按期的發放免費的資料連接，這些資料都是從各個技術網站蒐集、整理出來的，若是你有好的學習資料能夠私聊發我，我會註明出處以後分享給你們。

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。

下面咱們把剛纔的分析流程整理成函數，以便於未來更方便地調用。

咱們先整合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

這裏輸入是已有詞典和pdf文件夾路徑。輸出爲新的詞典。

你可能會納悶爲什麼還要輸入「已有詞典」。彆着急，一下子我用實際例子展現給你看。

下面這個函數很是直白——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，下面咱們來嘗試一下。

還記得演示目錄下有個子目錄，叫作newpdf對吧？

咱們把其中的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：

咱們執行新整理出的3個函數。

首先輸入已有的詞典（注意此時裏面已有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 ...

注意這裏的提示，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。

我們這裏一共只有5個文件，因此你直觀上可能沒法感覺出顯著的區別。

可是，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……

若是你必須從頭抽取信息，恐怕會很崩潰吧。

這時候，使用我們的函數，你能夠在1分鐘以內把新的文件內容追加進去。

這差異，不小吧？

下面咱們用新的詞典，構建數據框。

df = make_df_from_mydict(mydict)

咱們繪製新的數據框裏，pdf抽取文本字符數量。結果以下：

draw_df(df)

小結

總結一下，本文爲你介紹瞭如下知識點：

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（本文中爲文件名）對應的內容，而且避免重複處理數據；
如何將詞典數據結構輕鬆轉換爲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

你以前作的數據分析工做中，遇到過須要從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你們，咱們一塊兒交流討論。

出處 https://blog.csdn.net/Stephen...