Skip to content

Latest commit

 

History

History
76 lines (61 loc) · 3.28 KB

README.md

File metadata and controls

76 lines (61 loc) · 3.28 KB
Raw

pdfConverter

A tool for extracting keywords and sentences from pdf in batches / Support to export csv / Based on pdfminer

1.准备工作

0. 确保已安装以下软件和Library

pycharm latest
python version >= 3.6
pyminer six

1. 安装python

新电脑建议直接安装anaconda，其中包含python和其他重要组件。并选中「路径添加到环境变量」

2. 安装pyminer

- 请于cmd中打开，并输入：
pip install pdfminer.six 

- 测试安装成功：在新的文件中输入import和print两行，并观察是否返回'<installed version>' 安装的版本信息。
>>> import pdfminer
>>> print(pdfminer.__version__)

3. pycharm

pycharm是python的执行器和文本编辑器，请于官网或百度等渠道下载，学生提供edu邮箱可免费使用，也可直接下载社区版。

2.工作原理

  1. 程序执行后会遍历该目录下的所有子文件夹和子文件，并保存对应特征
  2. 循环读取保存目录所对应的文件，对每一页进行转义文字，并粗略搜索是否存在关键词
  3. 若存在，则将该页的文档通过正则匹配分割成每一个语义句，进行精确匹配。并将页码，匹配到的关键词，语义句输出到屏幕
  4. 若不存在，不执行精确匹配，跳过该页
  5. 整篇文档执行完毕，将结果写入csv表格中
  6. 再次执行步骤2

3.项目执行

在pycharm的terminal中执行python pdfConverter_v1.0.py + 参数。参数均可选填，建议填写-p

  • -p/ --path：指定执行目录，若不指定，获取当前目录
  • -o/ --output：指定输出文件名，若不指定，截取当前目录的子目录名为 输出的文件名（指表格的名称）
  • -k/ --keyword：指定关键字，用逗号分开（比如：国际化，标准化）。若不指定，默认为 国际化,智能化,服务化,数字化

  1. 分离模式（推荐模式）：脚本位置和执行目录分离。即你可以把脚本pdfConverter_v1.0.py放在桌面等任意位置，然后通过指定path的值选定执行目录

    python pdfConverter_v1.0.py -p C:/soft/python/report_0 -o output

    Linux path sample: "/Users/Niko/PythonProjects/pdfConverter/report_0"
    Windows path sample: "C:/soft/python/report_0"

  2. 集中模式：脚本放在执行目录中，读取当前目录。若当前目录不符合脚本执行的要求，会报错。（即如果桌面没有 公司代码/pdf 这样的目录结构，执行脚本会报错）

    python pdfConverter_v1.0.py

  3. 全参数模式：指定目录，指定关键字，指定输出文件名

    python pdfConverter_v1.0.py -p C:/soft/python/report_0 -o output_1 -k 国际化

  4. 查看使用说明：

    python pdfConverter_v1.0.py -h 忘记的话可以-h直接查看使用说明）

    ====== 脚本使用方法 ========

optional arguments:
  -h, --help            show this help message and exit
  -p PATH, --path PATH  请输入你要转换的父文件夹路径，默认为获取当前运行路径
  -o OUTPUT, --output OUTPUT
                        输入输出的csv文件名，默认为<current_dir_path>.csv
  -k KEYWORD, --keyword KEYWORD
                        输入关键词以','分割，默认为 国际化,智能化,服务化,数字化