如何用Python從PDF檔案中提取文字詞彙

在日常工作中，有時可能需要解析一些 PDF 檔案，提取檔案中的關鍵詞，好讓它們能夠被我們搜尋。解決這個問題的重要部分就是找到如何從 PDF 檔案中提取文字資料的方法。從如果是幾張或者幾十張倒還好辦，那要是幾百幾千張，可能就有點麻煩了。

幸好我們可以用 Python 完成這項工作。下面就分享一下如何用 Python 解析一個PDF檔案，將其轉為一列關鍵字。

設定：

本教程我們使用的是 Python 3.6.3，當然在實際工作中你可以使用任何你喜歡的 Python 版本，只要它支援用到的庫就行。

需要安裝以下 Python 庫：

PyPDF2（用於將簡單的基於文字的 PDF 檔案轉為 Python 可讀的文字）

Textract（用於將 PDF 掃描檔案轉為 Python 可讀的文字）

Nltk（用於清理短語、將短語轉為關鍵字）

可以通過以下命令列安裝這些庫：

pip install PyPDF2

pip install textract

pip install nltk

這樣我們就安裝瞭解析 PDF 檔案所需的庫，一定要確保你的 PDF 檔案放在你編寫指令碼所在的資料夾中。

啟動編輯器，開始敲程式碼吧！

第一步：匯入庫

第2步：讀取 PDF 檔案

第3步：將文字轉換為關鍵字

現在我們就將手中的 PDF 檔案儲存為了列表，可以按自己的需要使用了。如果想讓 PDF 可搜尋，或者解析大量檔案進行聚類分析，還可以將得到的列表儲存在電子表格中。