如何用Python批量提取PDF文本内容？
image
本文为你展示，如何用Python把许多PDF文件的文本内容批量提取出来，并且整理存储到数据框中，以便于后续的数据分析。
问题
最近，读者们在后台的留言，愈发五花八门了。
写了几篇关于自然语言处理的文章后，一种呼声渐强：
老师，pdf中的文本内容，有没有什么方便的方法提取出来呢？
我能体会到读者的心情。
我展示的例子中，文本数据都是直接可以读入数据框工具做处理的。它们可能来自开放数据集合、网站API，或者爬虫。
但是，有的时候，你会遇到需要处理指定格式数据的问题。
例如pdf。
许多的学术论文、研究报告，甚至是资料分享，都采用这种格式发布。
这时候，已经掌握了诸多自然语言分析工具的你，会颇有“拔剑四顾心茫然”的感觉——明明知道如何处理其中的文本信息，但就是隔着一个格式转换的问题，做不来。
怎么办？
办法自然是有的，例如专用工具、在线转换服务网站，甚至还可以手动复制粘贴嘛。
但是，咱们是看重效率的，对不对？
上述办法，有的需要在网上传输大量内容，花费时间较多，而且可能带来安全和隐私问题；有的需要专门花钱购买；有的干脆就不现实。
怎么办？
好消息是，Python就可以帮助你高效、快速地批量提取pdf文本内容，而且和数据整理分析工具无缝衔接，为你后续的分析处理做好基础服务工作。
本文给你详细展示这一过程。
想不想试试？
数据
为了更好地说明流程，我为你准备好了一个压缩包。
里面包括本教程的代码，以及我们要用到的数据。
请你到 这个网址 下载本教程配套的压缩包。
下载后解压，你会在生成的目录（下称“演示目录”）里面看到以下内容。
image
演示目录里面包含：
- Pipfile: pipenv 配置文件，用来准备咱们变成需要用到的依赖包。后文会讲解使用方法；
-
pdf_extractor.py: 利用pdfminer.six编写的辅助函数。有了它你就可以直接调用pdfminer提供的pdf文本内容抽取功能，而不必考虑一大堆恼人的参数； -
demo.ipynb: 已经为你写好的本教程 Python 源代码 （Jupyter Notebook格式）。
另外，演示目录中还包括了2个文件夹。
这两个文件夹里面，都是中文pdf文件，用来给你展示pdf内容抽取。它们都是我几年前发表的中文核心期刊论文。
这里做2点说明：
- 使用我自己的论文做示例，是因为我怕用别人的论文做文本抽取，会与论文作者及数据库运营商之间有知识产权的纠纷；
- 分成2个文件夹，是为了向你展示添加新的pdf文件时，抽取工具会如何处理。
pdf文件夹内容如下：
image
newpdf文件夹内容如下：
image
数据准备好了，下面我们来部署代码运行环境。
环境
要安装Python，比较省事的办法是装Anaconda套装。
请到 这个网址 下载Anaconda的最新版本。
image
请选择左侧的 Python 3.6 版本下载安装。
如果你需要具体的步骤指导，或者想知道Windows平台如何安装并运行Anaconda命令，请参考我为你准备的 视频教程 。
安装好Anaconda之后，打开终端，用cd命令进入演示目录。
如果你不了解具体使用方法，也可以参考 视频教程 。
我们需要安装一些环境依赖包。
首先执行：
pip install pipenv
这里安装的，是一个优秀的 Python 软件包管理工具 pipenv 。
安装后，请执行：
pipenv install --skip-lock
pipenv 工具会依照Pipfile，自动为我们安装所需要的全部依赖软件包。
终端里面会有进度条，提示所需安装软件数量和实际进度。
装好后，根据提示我们执行：
pipenv shell
这样，我们就进入本教程专属的虚拟运行环境了。
注意一定要执行下面这句：
python -m ipykernel install --user --name=py36
只有这样，当前的Python环境才会作为核心（kernel）在系统中注册，并且命名为py36。
此处请确认你的电脑上已经安装了 Google Chrome 浏览器。
我们执行：
jupyter notebook
默认浏览器（Google Chrome）会开启，并启动 Jupyter 笔记本界面：
image
你可以直接点击文件列表中的第一项ipynb文件，可以看到本教程的全部示例代码。
你可以一边看教程的讲解，一边依次执行这些代码。
image
但是，我建议的方法，是回到主界面下，新建一个新的空白 Python 3 笔记本（显示名称为 py36 的那个）。
image
请跟着教程，一个个字符输入相应的内容。这可以帮助你更为深刻地理解代码的含义，更高效地把技能内化。
image
当你在编写代码中遇到困难的时候，可以返回参照 demo.ipynb 文件。
准备工作结束，下面我们开始正式输入代码。
代码
首先，我们读入一些模块，以进行文件操作。
import glob
import os
前文提到过，演示目录下，有两个文件夹，分别是pdf和newpdf。
我们指定 pdf 文件所在路径为其中的pdf文件夹。
pdf_path = "pdf/"
我们希望获得所有 pdf 文件的路径。用glob，一条命令就能完成这个功能。
pdfs = glob.glob("{}/*.pdf".format(pdf_path))
看看我们获得的 pdf 文件路径是否正确。
pdfs
['pdf/复杂系统仿真的微博客虚假信息扩散模型研究.pdf',
'pdf/面向影子分析的社交媒体竞争情报搜集.pdf',
'pdf/面向人机协同的移动互联网政务门户探析.pdf']
经验证。准确无误。
下面我们利用 pdfminer 来从 pdf 文件中抽取内容。我们需要从辅助 Python 文件 pdf_extractor.py 中读入函数 extract_pdf_content。
from pdf_extractor import extract_pdf_content
用这个函数，我们尝试从 pdf 文件列表中的第一篇里，抽取内容，并且把文本保存在 content 变量里。
content = extract_pdf_content(pdfs[0])
我们看看 content 里都有什么：
content
image
显然，内容抽取并不完美，页眉页脚等信息都混了进来。
不过，对于我们的许多文本分析用途来说，这无关紧要。
你会看到 content 的内容里面有许多的 \n，这是什么呢？
我们用 print 函数，来显示 content 的内容。
print(content)
image
可以清楚看到，那些 \n 是换行符。
通过一个 pdf 文件的抽取测试，我们建立了信心。
下面，我们该建立辞典，批量抽取和存储内容了。
mydict = {}
我们遍历 pdfs 列表，把文件名称（不包含目录）作为键值。这样，我们可以很容易看到，哪些pdf文件已经被抽取过了，哪些还没有抽取。
为了让这个过程更为清晰，我们让Python输出正在抽取的 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)
抽取过程中，你会看到这些输出信息：
Extracting content from pdf/复杂系统仿真的微博客虚假信息扩散模型研究.pdf ...
Extracting content from pdf/面向影子分析的社交媒体竞争情报搜集.pdf ...
Extracting content from pdf/面向人机协同的移动互联网政务门户探析.pdf ...
看看此时字典中的键值都有哪些：
mydict.keys()
dict_keys(['复杂系统仿真的微博客虚假信息扩散模型研究.pdf', '面向影子分析的社交媒体竞争情报搜集.pdf', '面向人机协同的移动互联网政务门户探析.pdf'])
一切正常。
下面我们调用pandas，把字典变成数据框，以利于分析。
import pandas as pd
下面这条语句，就可以把字典转换成数据框了。注意后面的reset_index()把原先字典键值生成的索引也转换成了普通的列。
df = pd.DataFrame.from_dict(mydict, orient='index').reset_index()
然后我们重新命名列，以便于后续使用。
df.columns = ["path", "content"]
此时的数据框内容如下：
df
image
可以看到，我们的数据框拥有了pdf文件信息和全部文本内容。这样你就可以使用关键词抽取、情感分析、相似度计算等等诸多分析工具了。
篇幅所限，我们这里只用一个字符数量统计的例子来展示基本分析功能。
我们让 Python 帮我们统计抽取内容的长度。
df["length"] = df.content.apply(lambda x: len(x))
此时的数据框内容发生以下变化：
df
image
多出的一列，就是 pdf 文本内容的字符数量。
为了在 Jupyter Notebook 里面正确展示绘图结果，我们需要使用以下语句：
%matplotlib inline
下面，我们让 Pandas 把字符长度一列的信息用柱状图标示出来。为了显示的美观，我们设置了图片的长宽比例，并且把对应的pdf文件名称以倾斜45度来展示。
import matplotlib.pyplot as plt
plt.figure(figsize=(14, 6))
df.set_index('path').length.plot(kind='bar')
plt.xticks(rotation=45)
image
可视化分析完成。
下面我们把刚才的分析流程整理成函数，以便于将来更方便地调用。
我们先整合pdf内容提取到字典的模块：
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
这里输入是已有词典和pdf文件夹路径。输出为新的词典。
你可能会纳闷为何还要输入“已有词典”。别着急，一会儿我用实际例子展示给你看。
下面这个函数非常直白——就是把词典转换成数据框。
def make_df_from_mydict(mydict):
df = pd.DataFrame.from_dict(mydict, orient='index').reset_index()
df.columns = ["path", "content"]
return df
最后一个函数，用于绘制统计出来的字符数量。
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)
函数已经编好，下面我们来尝试一下。
还记得演示目录下有个子目录，叫做newpdf对吧？
我们把其中的2个pdf文件，移动到pdf目录下面。
这样pdf目录下面，就有了5个文件：
image
我们执行新整理出的3个函数。
首先输入已有的词典（注意此时里面已有3条记录），pdf文件夹路径没变化。输出是新的词典。
mydict = get_mydict_from_pdf_path(mydict, pdf_path)
Extracting content from pdf/微博客 Twitter 的企业竞争情报搜集.pdf ...
Extracting content from pdf/移动社交媒体用户隐私保护对策研究.pdf ...
注意这里的提示，原先的3个pdf文件没有被再次抽取，只有2个新pdf文件被抽取。
咱们这里一共只有5个文件，所以你直观上可能无法感受出显著的区别。
但是，假设你原先已经用几个小时，抽取了成百上千个pdf文件信息，结果你的老板又丢给你3个新的pdf文件……
如果你必须从头抽取信息，恐怕会很崩溃吧。
这时候，使用咱们的函数，你可以在1分钟之内把新的文件内容追加进去。
这差别，不小吧？
下面我们用新的词典，构建数据框。
df = make_df_from_mydict(mydict)
我们绘制新的数据框里，pdf抽取文本字符数量。结果如下：
draw_df(df)
image
至此，代码展示完毕。
小结
总结一下，本文为你介绍了以下知识点：
- 如何用glob批量读取目录下指定格式的文件路径；
- 如何用pdfminer从pdf文件中抽取文本信息；
- 如何构建词典，存储与键值（本文中为文件名）对应的内容，并且避免重复处理数据；
- 如何将词典数据结构轻松转换为Pandas数据框，以便于后续数据分析。
- 如何用matplotlib和pandas自带的绘图函数轻松绘制柱状统计图形。
讨论
你之前做的数据分析工作中，遇到过需要从pdf文件抽取文本的任务吗？你是如何处理的？有没有更好的工具与方法？欢迎留言，把你的经验和思考分享给大家，我们一起交流讨论。
如果你对我的文章感兴趣，欢迎点赞，并且关注我的专栏，以便收到后续作品更新通知。
如果本文可能对你身边的亲友有帮助，也欢迎你把本文通过微博或朋友圈分享给他们。让他们一起参与到我们的讨论中来。
