python - 解析PDF文档

Question

我将尝试下面链接中的 pdf 模块。假设可行，我的问题是:

有没有一种方法可以存储像契约(Contract)这样的大型文本文档，并且能够同时从多个文档中查询信息？

例如，我想查询终止日期或定价，然后能够阅读该部分以获取契约(Contract)列表。

Answer 1

我为此使用了 pyPDF 库(这直接来自 activeState 网页):

import pyPdf

def getPDFContent(path):
    content = ""
    # Load PDF into pyPDF
    pdf = pyPdf.PdfFileReader(file(path, "rb"))
    # Iterate pages
    for i in range(0, pdf.getNumPages()):
        # Extract text from page and add to content
        content += pdf.getPage(i).extractText() + "\n"
    # Collapse whitespace
    content = " ".join(content.replace("\xa0", " ").strip().split())
    return content

print getPDFContent("test.pdf")

这应该是一个很好的起点。我已使用它来自动测试创建的 PDF。

也许更适合您的问题的更好方法是使用 Microsoft 的 SQL Server。他们对文档进行全文搜索(搜索“SQL Server Full text search on pdf”)。如果您可以加载 SQL Server 上的所有文档，那么您就可以开始使用全文搜索来获取您想要的信息。这可能比上面的更容易、更灵活。