第07章 文本信息提取

 

 

序言

1. 内容介绍

本章详细介绍了Word 文本信息提取方式、PDF 文本信息提取方式等内容。

2. 理论目标

• 了解Word 文本信息提取方式
• 了解PDF 文本信息提取方式

3. 实践目标

• 掌握Word 文本信息提取方法，能完成Word 文本信息提取
• 掌握PDF 文本信息提取方法，能完成PDF 文本信息提取

4. 实践案例

无

5. 内容目录

• 1.文本提取介绍

• 2.Word 文本信息提取

• 3.PDF 文本信息提取

• 4.文本信息提取实战

---

第1节 文本提取介绍

1. 文本提取概述

通过数据采集获取的数据信息往往五花八门、杂乱无章，因此需要对这些不同类型的数据进行集成，并将集成数据传入到电脑中，然后通过算法模型挖掘其潜在的价值，作为智能应用的支撑。

 

采集的原数据存在数据质量差、文档格式杂、数据表示形式多样化、数据信息错误等诸多问题，单纯考虑文本信息处理工作，就文本信息而言，采集到的文档数据可能是网页、SQL文件、PDF文档、doc文档等，对这些文本数据继承的思路就是文本信息的提取，然后进行格式化处理，常见的文本抽取方式包括：

1. 使用在线格式转换工具转换。
2. 使用office内置格式进行转换。
3. 自己开发文本抽取工具进行文本抽取。

作为优秀的程序员，本章将针对第三种方式展开讨论。

2. Pywin32 库安装

Pywin32 是Python的第三方库文件，它提供了从Python 访问Windows API 的功能。Windows Pywin32 允许开发者使用Python 开发win32 应用和对Windows 系统实现自动化操作，Pywin32 核心模块是 win32.com。

本章通过Pywin32 启动Word应用程序，打开相关文档并将相关文本信息保存为txt文档。

安装命令

pip install pypiwin32 -i https://pypi.tuna.tsinghua.edu.cn/simple/

3. 文本提取步骤

本章将应用Pywin32 调用系统本地应用接口，通过本地应用对源文档进行打开、另存为文本文档。基本步骤：

1. 打开Word应用程序

2. 打开Word文档/PDF文档

3. 保存为txt文档

4. 关闭Word应用程序

---

第2节 Word文本信息提取

1. 文本提取需求概述

下面将以抽取Word文档中的文本为例，来介绍抽取文件信息的方法，Word文档内容信息如下：

2. 文本提取实现

代码逻辑：

1. 打开Word应用程序
2. 打开Word文档
3. 保存为txt文档
4. 关闭Word应用程序

from win32com import client as wc path = r'E:/gdlgxy/6.数据采集与预处理/准备材料/01教学课件/MarkDown/第07章_文本信息提取/' filename = r"Python数据预处理.docx" wordapp = wc.Dispatch('Word.Application') mytxt = wordapp.Documents.Open(path + filename) ## 建议此处使用绝对路径 mytxt.SaveAs(path + r"Python数据预处理word.txt", FileFormat=4) ## 建议此处使用绝对路径，FileFormat=4 表示提取文本信息 mytxt.Close()

---

第3节 PDF文本信息提取

1. 文本提取需求概述

下面将以抽取PDF文档中的文本为例，来介绍抽取文件信息的方法，PDF文档内容信息如下：

2. 文本提取实现

代码逻辑：

1. 打开Word应用程序
2. 打开PDF文档
3. 保存为txt文档
4. 关闭Word应用程序

from win32com import client as wc path = r'E:/gdlgxy/6.数据采集与预处理/准备材料/01教学课件/MarkDown/第07章_文本信息提取/' filename = r"Python数据预处理.pdf" wordapp = wc.Dispatch('Word.Application') mytxt = wordapp.Documents.Open(path + filename) ## 建议此处使用绝对路径 mytxt.SaveAs(path + r"Python数据预处理pdf.txt", FileFormat=4) ## 建议此处使用绝对路径，FileFormat=4 表示提取文本信息 mytxt.Close()

---

第4节 文本信息提取实战

1. 需求描述与实现思路

需求描述

结合前述的文本抽取方法，实现目录下新闻文本的批量抽取（历史、教育、汽车各30篇的PDF文档文本内容的抽取），可以在根目录下文档的批量抽取，并自动保存到指定位置。

实现思路

实现思路：

1. 实现获取文件列表功能；
2. 实现PDF文档文本信息提取功能（保存为txt文档）；
3. 调用获取文件列表功能（步骤1），循环调用文本信息提取功能（步骤2），完成文本信息提取。

2. 获取文件列表

遍历文件列表思路：

1. 获取目录下所有文件及文件夹
2. 判断是文件还是文件夹
3. 如果是文件则更新至文件列表内，如果是文件夹则返回步骤1

此处需重复执行骤1~步骤3，引入递归遍历策略，以上思路更新如下：

• 步骤1.首先通过传入根目录来判断是否是文件夹，然后判断文件夹下是否有二级目录
• 步骤2.判断是文件还是二级目录

• 2.1. 如果不是二级目录，就打印出文件名（更新至文件列表内）
• 2.2. 如果是二级目录，继续做递归处理（即以二级目录代替步骤1的根目录重复调用），直至遍历所有文件为止。

实现方式：

1. 获取文件列表功能使用类封装：
2. 使用时先创建对象，创建时初始化待遍历目录路径：
3. 然后调用遍历目录文件方法获取文件列表，访问目录下文件列表、新文件列表等属性。

import os, time class FileScan(): def __init__(self, rootDir): # 1 初始化 self.rootDir = rootDir # 目录路径 self.fileList = [] # 目录下文件列表 self.newFileList = [] # 新文件列表 def AllFilesScan(self, rootDir): # 2 递归遍历所有文件，并提供具体文件操作功能 for rootDiri in os.listdir(rootDir): # 返回指定目录包含的文件或文件夹的名字的列表 path = os.path.join(rootDir, rootDiri) # 待处理文件夹名字集合 if os.path.isfile(path): # 核心算法：如果是文件就更新至文件列表，如果是目录则递归调用函数自身 self.fileList.append(os.path.abspath(path)) # 获取绝对路径 filename = path.replace("./", "").replace("/", "_").replace("\\", "_").replace(".pdf", ".txt") # 增加路径前缀 self.newFileList.append(filename) elif os.path.isdir(path): self.AllFilesScan(path) def DirScan(self): # 3 启动遍历目录文件方法 self.AllFilesScan(self.rootDir) if __name__ == '__main__': rootDir = r"./EnPapers/" # 根目录文件路径 fs = FileScan(rootDir) # 默认方法参数打印所有文件路径 fs.DirScan() # 遍历文件并进行相关操作 print(len(fs.fileList)) # 访问根目录文件列表 print(len(fs.newFileList))

3. PDF文本信息提取

结合第 3 节介绍的PDF文本信息提取方法，通过函数封装，方便遍历时重复调用。

• 实现针对指定PDF文件信息进行提取，并保存到指定位置。

from win32com import client as wc def pdf2txt(fin, fd, fout): print(fin) wordApp = wc.Dispatch('Word.Application') mytxt = wordApp.Documents.Open(fin) mytxt.SaveAs(fd + fout, FileFormat=4) mytxt.Close() if __name__ == '__main__': fin = r'E:/gdlgxy/6.数据采集与预处理/准备材料/01教学课件/MarkDown/第07章_文本信息提取/' + r"Python数据预处理.pdf" fd = r'E:/gdlgxy/6.数据采集与预处理/准备材料/01教学课件/MarkDown/第07章_文本信息提取/EnPapersOutput/' fout = r"Python数据预处理.txt" pdf2txt(fin, fd, fout)

E:/gdlgxy/6.数据采集与预处理/准备材料/01教学课件/MarkDown/第07章_文本信息提取/Python数据预处理.pdf

4. 遍历提取文本信息

遍历“获取文件列表功能”返回的文件列表，重复调用函数“PDF文本信息提取”，完成文本信息提取及保存。

if __name__ == '__main__': rootDir = r"./EnPapers/" # 根目录文件路径 fd = r'E:/gdlgxy/6.数据采集与预处理/准备材料/01教学课件/MarkDown/第07章_文本信息提取/EnPapersOutput/' # 结果文件路径 fs=FileScan(rootDir) # 默认方法参数打印所有文件路径 fs.DirScan() # 遍历文件并进行相关操作 for i in range(len(fs.fileList)): # 访问根目录文件列表 fin = fs.fileList[i] fout = fs.newFileList[i] print(fin) pdf2txt(fin, fd, fout)

E:\gdlgxy\6.数据采集与预处理\准备材料\01教学课件\MarkDown\第07章_文本信息提取\EnPapers\历史\1.pdf
E:\gdlgxy\6.数据采集与预处理\准备材料\01教学课件\MarkDown\第07章_文本信息提取\EnPapers\历史\10.pdf
E:\gdlgxy\6.数据采集与预处理\准备材料\01教学课件\MarkDown\第07章_文本信息提取\EnPapers\历史\11.pdf
E:\gdlgxy\6.数据采集与预处理\准备材料\01教学课件\MarkDown\第07章_文本信息提取\EnPapers\历史\12.pdf
E:\gdlgxy\6.数据采集与预处理\准备材料\01教学课件\MarkDown\第07章_文本信息提取\EnPapers\历史\13.pdf
...

5. 文本信息提取实战小结

综合以上步骤方法，通过类封装成PDF转换txt文档工具，用户只要输入两个参数（源目录路径，目标目录路径），即可完成把源目录下的所有PDF文件转为txt文档，存放至目标目录下。

创建文档转换工具基本结构：

1. 定义类 FileScan
2. 定义构造器（实例属性）

• 源目录路径
• 目标目录路径

1. PDF转txt方法
2. 遍历目录文件方法
3. 遍历目录文件方法启动

#!/usr/bin/python # -*- coding: utf-8 -*- # @Time : 2021年8月17日 # @Author : Alan # @Webchat : kingdragon_lun@126.com # @FileName: ch07.py # @Software: Python 3.7 ''' 功能描述： 遍历目录，将目录下所有PDF文件提取为txt文档 参数描述： 1 rootDir 源目录路径 2 destDir 目标目录路径 ''' import os from win32com import client as wc class FileScan(): def __init__(self, rootDir, destDir): # 1 初始化 self.rootDir = rootDir # 源目录路径(此处只能是相对路径) self.destDir = destDir # 目标目录路径 def pdf2txt(self, fin, fout): # 2 PDF转txt wordApp = wc.Dispatch('Word.Application') mytxt = wordApp.Documents.Open(fin) print(self.destDir + fout) mytxt.SaveAs(self.destDir + fout, FileFormat=4) mytxt.Close() def AllFilesScan(self, rootDir): # 3 递归遍历所有文件，并提供具体文件操作功能 # 返回指定目录包含的文件或文件夹的名字的列表 for rootDiri in os.listdir(rootDir): path = os.path.join(rootDir, rootDiri) # 待处理文件夹名字集合 # 核心算法：如果是文件就更新至文件列表，如果是目录则递归调用函数自身 if os.path.isfile(path): if path[-4:] == '.pdf': fin = os.path.abspath(path) # 获取绝对路径 filename = path.replace("./", "").replace("/", "_").replace("\\", "_").replace(".pdf", ".txt") # 增加路径前缀 self.pdf2txt(fin, filename) else: pass elif os.path.isdir(path): self.AllFilesScan(path) def fileTrans(self): # 4 遍历目录文件方法启动 self.AllFilesScan(self.rootDir) if __name__ == '__main__': rootDir = r"./EnPapers/" # 源目录文件路径(此处只能是相对路径) destDir = r'E:/python/python37/DataCollection/ch07/EnPapersOutput/' # 目标目录文件路径 fs=FileScan(rootDir, destDir) # 默认方法参数打印所有文件路径 fs.fileTrans() # 遍历文件并进行相关操作

---

开始实验

第5节 附录