关键词文章采集源码(我找份文档还写个程序，写完程序我都找到了)

　　关键词文章采集源码(我找份文档还写个程序，写完程序我都找到了)

　　昨天，我的傻女朋友在一堆50多份文件中花了一个下午，才找到一句话的文件。难得糊涂，但是考虑到很多朋友同事在工作和生活中都有这种“糊涂”的行为，或者在一堆文件里找一个文件，我们不得不买一堆Excel来找数据，等#印刷来了#，如果你学编程，懂Python，你的效率会大大提高。有人说，我找个文件，写个程序？写完程序后，我找到了一切。但是下次找的时候，你会发现你有一个程序，就是坐着喝茶等结果。效率可想而知。显然，21世纪最昂贵的东西是数据，但知道访问数据是一项必要的技能。

　　世界上的好东西都是懒人发明的

　　我的傻女人

　　今天，我们的目标是在一堆PDF文档中一步一步地找到一个带有某个关键字/句子的文档。

　　一个PDF文档阅读

　　我们要实现的第一步显然是阅读PDF文档。有多种方法可以阅读 PDF 文档。在 Python 中，我们习惯性地使用第三方库来提高效率。这里我们介绍几个PDF文档工具：

　　你一定很好奇，我为什么知道这些工具？明明我也不是万能的，直接在百度上下载Python PDF库就行了，无聊的时候可以多积累一些。我们选择PDFMiner来快速阅读PDF文档的内容。下面我们简单介绍一下PDFminer的安装过程：

　　cmd-pip 安装 pdfminer.six

　　如果你不知道 Python 是如何使用 pip 安装工具的，我们稍后会添加一些 Python 基础课程。

　　阅读PDF文档：

　　参考pdfminer库的官方文档：

　　完整安装开发文档编写的代码如下

　　参考官方文档实现代码

　　PDF页面的结构（详见官方在线文档）：

　　一页PDF的文档结构

　　操作结果：

　　操作结果

　　此过程类似于打开每个 PDF 并查看其中的内容。接下来，我们将实现第二步。看到内容后，进行搜索匹配。

　　第二次搜索匹配

　　第一步是阅读PDF文档的内容。从逻辑上讲，第二步是将阅读的内容与我们需要查找的关键字/句子进行匹配，以找出哪个页面和行。我们使用正则表达式进行查询匹配。具体知识点可以参考Python教材文档。简单的逻辑是，正则表达式重新查询匹配，然后返回匹配结构​​。如果不是None，则输出页和行。然后退出

　　具体实现代码如下：

　　完整代码如下：

　　根据关键字匹配PDF文档

　　运行效果如下：（30秒内所有小于479页的PDF文档的匹配结果）

　　· 一般我们看的文档在50页以内，检索比较快，但是我们需要在一本书的PDF中找到一两句话或者关键词。这种检索方法比较具有可比性 慢慢地，我们可以采取一种相关性的方法来计算两个文本之间的熟悉程度。但是这个知识点是大数据发展起来的，我们后面会学习。

　　三实现文件夹下所有文档的自动匹配

　　根据上面的文本检索原理，我们下一步就是实现一个文件夹下所有文档的自动检索，这就是我们想要的。

　　第一步：读取文件夹中的所有PDF文件（包括子目录）

　　获取文件目录中的所有PDF路径

　　效果如下：

　　第二步，一一匹配检索PDF文档

　　封装代码如下：

　　运行结果如下（截图为检索两本书）：

　　至此，我们基本实现了从一堆PDF文档中检索出对应关键字的文本和页码行并输出。显然，如果我们想要能够使用它，就必须在运行时输入path和keyword这两个变量。然后我们就实现下一步了，运行时提示输入文件夹路径和要检索的关键字，打包成EXE程序，方便在Windows平台上运行。

　　四个输入流和程序包EXE

　　提示输入文件夹路径，提示输入要检索的词，提示确认启动：

　　代码显示如下

　　运行结果如下：

　　到这里基本上我们的程序就完成了，但是现在还是一个py文件，不是普通人使用的EXE程序。接下来，我们将 py 文件转换为 EXE 程序。

　　第一步是安装pyinstaller

　　cmd-pip 安装 pyinstaller

　　第二步进入文件目录，执行pyinstaller -F xxx.py

　　第三步是当前目录dist文件夹下的EXE文件

　　双击运行。发现错误：

　　查看文档发现pyinstaller不支持Python3.6版本，替换为python3.3包或者

　　要打包，请按如下方式运行 exe：

　　后面我们继续学习，Python数据采集。从海量的PDF数据中提取你想要的数据，就是提取效率和财富。需要源码的请评论，谢谢关注！