如何在 400 多个 PDF 文件中搜索关键字？ [复制]

Question

我有大约 400 个或更多 PDF 文件，它们共同构成一个文本。它就像一本书一页一页地分开。我需要以编程方式在整个文本中搜索一些关键字。

所以我的第一个问题是：最好是逐页搜索还是先将所有 PDF 合并到一个大文件中然后再执行搜索？

第二个是：最好的制作方法是什么？那里已经有什么好的程序或库了吗？

顺便说一句，我只使用 PHP 和 Python。

Answer 1

使用PyPdf，如here 所述。

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

for f in filelist:
    print keyword in getPDFContent(f)

逐个搜索它们更快更简单，因为您可以简单地遍历所有文件并在每个文件上使用代码。