python读paper

前面跟大家简单介绍过Python提取多个pdf首页合并输出，还有Python轻松处理Excel。有位粉丝留言python能不能从文献中提取特定的数字，希望能出一个教程，那么今天我们就来聊一聊如何用python读paper，提取特定的数字。

我们先来捋一捋思路：

1. 利用python打开pdf文件，提取其中的文本
2. 将每一行的文字分成单个词语
3. 利用正则表达式来匹配每一个词语，看是不是数字
4. 将文本写入到word文档中，如果是数字用黄色高亮
5. 保存word文档

接下来我们用python代码来实现

#加载pdf,word和正则表达式模块
import PyPDF2
import docx
from docx.enum.text import WD_COLOR_INDEX
import re

#打开要读的pdf文件
pdfFileObj = open('meetingminutes.pdf', 'rb')
#生成pdf对象
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)

#获取pdf文件中的文本信息
lines = []
for i in range(pdfReader.numPages):
    pageObj = pdfReader.getPage(i)
    text = pageObj.extractText()
    lines += text.split("\n")

#匹配所有数字的正则表达式
regx = re.compile(r'[-+]?([0-9]+(\.[0-9]*)?|\.[0-9]+)([eE][-+]?[0-9]+)?')
#新建一个word对象,用来保存pdf文件的内容
doc = docx.Document()
#循环处理pdf文件中每一行文本
for line in lines:
    #在word文档中添加段落
    para = doc.add_paragraph('')
    #对pdf文件中每一行文字，分成单词来处理
    words = line.split(" ")
    for word in words:
        #在word文档的每一个段落中再添加run
        run = para.add_run(word+" ")
        #如果单词是数字就用黄色来高亮显示
        mo = regx.findall(word)
        if len(mo) > 0:
            run.font.highlight_color = WD_COLOR_INDEX.YELLOW
#最后保存word文档
doc.save('highlighted_pdf_number.docx')

关于python处理word涉及到的两个概念paragraph和run在《python让繁琐工作自动化》这本书中有详细介绍，大家感兴趣可以下去仔细读一下。

下图展示的试pdf文件中的本分内容

下图展示的是高亮之后的word文档。这里的格式可能和原来pdf文件的格式不太一样，但是内容是一样的。

这个任务中用到的代码均出自于我前面提到《python让繁琐工作自动化》这本书。为方便大家交流学习，小编为大家准备了本书的pdf版本，参考python让繁琐工作自动化就可以获取。如果喜欢纸质版也可以购买一本，当做工具书，需要的时候随手翻一下。

Python编程快速上手 让繁琐工作自动化(异步图书出品)

参考资料：

1. Python提取多个pdf首页合并输出

2. python让繁琐工作自动化

3. python读paper