统计PDF文件指定词语的出现的页码

Question

统计PDF文件指定词语的出现的次数，并输出该词语所 python3.12.3在页码

Answer 1

引自免费微信小程序：皆我百晓生

为了统计PDF文件中指定词语出现的次数及其在文档中的页码，你可以使用Python中的库如PyPDF2和PyMuPDF来读取PDF内容，再结合字符串操作来实现这个功能。下面是一个简单的示例代码，展示如何实现这个功能：

首先确保安装了必要的库（如果尚未安装）：

pip install PyMuPDF

以下是使用Python实现统计PDF文件中指定词语出现的次数及其在页码的代码示例：

import fitz  # PyMuPDF库用于处理PDF文件
import re  # 正则表达式库用于搜索文本

def count_word_in_pdf(pdf_path, search_word):
    # 打开PDF文件
    pdf_doc = fitz.open(pdf_path)
    total_pages = len(pdf_doc)  # 获取PDF的总页数
    word_count = 0  # 用于统计指定词语出现的次数
    word_pages = []  # 用于存储包含指定词语的页码列表
    
    for page_num in range(total_pages):  # 遍历每一页
        page = pdf_doc[page_num]  # 获取当前页的内容
        text = page.extractText()  # 提取页面的文本内容
        if text:  # 检查是否有文本内容，防止处理空白页时出现错误
            # 使用正则表达式搜索文本中的指定词语，并计算出现次数和页码信息
            matches = re.findall(search_word, text)  # 这里直接使用词语作为搜索模式，无需正则表达式模式转换（因为假设是单个词）
            word_count += len(matches)  # 更新总出现次数
            if matches:  # 如果找到匹配项，记录该页码到列表中
                word_pages.append(page_num + 1)  # 页码从1开始计数，所以加1调整计数方式符合实际页码数显示要求（通常是从第一页开始）
    return word_count, word_pages  # 返回词语出现次数和包含该词语的页码列表

# 使用函数进行统计指定词语在PDF中的出现情况示例
pdf_file = 'example.pdf'  # 你的PDF文件路径
search_phrase = 'Python'  # 需要搜索的词语或短语（注意可能需要引号包围以便正确处理空格）
word_count, word_pages = count_word_in_pdf(pdf_file, search_phrase)
print(f"词语 '{search_phrase}' 在PDF中出现了 {word_count} 次。")
print("出现该词语的页码为:", word_pages)  # 输出包含指定词语的页码列表，这里会输出页码索引而非实际的页面编号（需要自己转换为实际页码编号）

这段代码定义了一个函数 count_word_in_pdf，它会打开一个PDF文件，然后逐页读取并查找指定词出现的次数以及出现的页码。在找到指定词后，会将其出现的次数累加，并记录这些词出现在哪些页面上。需要注意的是这里的页码是基于页面索引的计数方式，实际使用时可能需要根据文档的具体情况转换为实际的页码编号。此外，对于包含复杂格式或布局的PDF文档，文本提取可能并不完美，这取决于PDF的制作方式和内容复杂性。如果处理大型或复杂的PDF文件时遇到问题，可能需要考虑使用更高级的文本提取方法或工具。