利用 Python 处理PDF文件，进行关键词的识别与提取

【项目目标】

对大量的公司年报（PDF文件）进行关键词的识别与提取，判断文件是否含有“增值税留抵税额：XXXX”，并将这份文件的名字和此内容写入表格

【项目实现】

1.导入处理PDF的python库

import pdfplumber
import PyPDF2
import re
import os
import csv
import json

2.定义函数，得到PDF文件的页数

def get_pages(filename):
    with open(filename, 'rb', ) as fb:
        pages = PyPDF2.PdfFileReader(fb).getNumPages()
        return pages

3.因为增值税留抵税额这条信息一般出现在文件的后半部分，所以循环查找从100页开始，利用正则表达式查找关键词，并提取

def get_text(filename, pages):
    with pdfplumber.open(filename) as pdf:
        for i in range(100, pages-10):
            find = re.findall('增值税留抵税额(.*)', pdf.pages[i].extract_text())
            if find:
                return find[0].strip().split("  ")

4.保存表格

def save(company_name, report_date, end_balance, start_balance):
    with open('annual_report.csv', 'a', newline="", encoding='utf-8') as f_csv:
        writer = csv.writer(f_csv)
        writer.writerow([company_name, report_date, end_balance, start_balance])

5.运行代码

if __name__ == '__main__':
    file_list = os.listdir()
    file_list.remove('.idea')
    file_list.remove('pdf6.py')
    file_list.remove('annual_report.csv')

    file_list_copy = file_list[::]

    for file in file_list_copy:
        name = re.findall(r'\d+(.*?)：', file)[0]
        date = re.findall(r'(\d+年)年度报告', file)[0]
        pages_num = get_pages(file)

        if get_text(file, pages_num) is not None:
            try:
                end, start = get_text(file, pages_num)
                save(name, date, end, start)
                file_list.remove(file)
            except Exception as e:
                print(e)

    with open('rest.txt', 'a', encoding='utf-8') as f:
        f.write(json.dumps(file_list, ensure_ascii=False))