Python PDF提取文本并进行词云展示

Python 文本分析-词云展示

vscode中 ipynb运行
.ipynb文件
当前所在文件夹放置待分析pdf文件

1 提取PDF中的文本，保存到txt

import PyPDF2

def extract_text_from_pdf(pdf_path, txt_path):
    with open(pdf_path, 'rb') as pdf_file:
        pdf_reader = PyPDF2.PdfReader(pdf_file)
        text = ""
        for page_num in range(len(pdf_reader.pages)):
            page = pdf_reader.pages[page_num]
            text += page.extract_text()
    with open(txt_path, 'w', encoding='utf-8') as txt_file:
        txt_file.write(text)

pdf_path = "./ASV-2024-workshop abstract(p130-648).pdf"  # 替换为您的 PDF 文件路径
txt_path = "output.txt"  # 替换为输出的 TXT 文件路径

extract_text_from_pdf(pdf_path, txt_path)

# 在上述代码中，首先定义了一个名为 extract_text_from_pdf 的函数，它接受 PDF 文件路径和 TXT 文件路径作为参数。然后通过 PyPDF2 库读取 PDF 文件的每一页，并提取文字，最后将提取的文字保存到指定的 TXT 文件中。请确保将代码中的 pdf_path 和 txt_path 替换为实际的文件路径。

2 根据txt内容画词云

代码如下：

import jieba
import wordcloud
from matplotlib import pyplot as plt

def draw_word_cloud(txt_path):
    # 读取 TXT 文件内容
    with open(txt_path, 'r', encoding='utf-8') as f:
        text = f.read()

    # 使用 jieba 进行分词
    words = jieba.lcut(text)
    new_text = " ".join(words)

    # 生成词云
    wc = wordcloud.WordCloud(
        # font_path='simhei.ttf',  # 字体路径，根据实际情况修改
        font_path='arial.ttf',  # 字体路径，根据实际情况修改
        background_color='white',  # 背景颜色
        width=2000, height=1500,  # 图像宽高
        # scale=20, 
        
    )
    wc.generate(new_text)

    # 显示词云图像
    plt.imshow(wc)
    plt.axis('off')  # 不显示坐标轴
    # plt.show()
    plt.savefig("wordcloud_asv2024.jpg",dpi=600)

txt_path = "./output.txt"  # 替换为您的 TXT 文件路径

draw_word_cloud(txt_path)