Deepseek批量提取PDF中特点部分的文本

一个pdf文件，要提取其中每章要点的内容:

Deepseek中输入提示词：

你是一个Python编程专家，写一个脚本，具体步骤如下：

读取PDF文件："F:\AI极简经济学【文字版】 (阿杰伊·阿格拉沃尔,乔舒亚·甘斯,阿维·戈著；闾佳译) (Z-Library).pdf"

提取PDF文件中所有“本章要点”和“第{number}章”（参数{number}的数值是从1到19，以1递增）之间的文本内容，

保存到word文档中，word文档保存到F盘中；

注意：每一步都要输出相关信息到屏幕上

Deepseek的

要实现这个任务，我们可以使用Python中的PyPDF2库来读取PDF文件，并使用python-docx库来创建和保存Word文档。以下是实现该功能的完整脚本：

import PyPDF2

from docx import Document

import re

# 定义PDF文件路径

pdf_path = r"F:\AI极简经济学【文字版】 (阿杰伊·阿格拉沃尔,乔舒亚·甘斯,阿维·戈著；闾佳译) (Z-Library).pdf"

output_docx_path = r"F:\extracted_chapters.docx"

# 打开PDF文件

print(f"正在打开PDF文件: {pdf_path}")

with open(pdf_path, 'rb') as pdf_file:

reader = PyPDF2.PdfReader(pdf_file)

num_pages = len(reader.pages)

print(f"PDF文件共有 {num_pages} 页")

# 创建一个新的Word文档

doc = Document()

print("已创建新的Word文档")

# 定义正则表达式来匹配“本章要点”和“第{number}章”

chapter_pattern = re.compile(r'第(\d+)章')

key_points_pattern = re.compile(r'本章要点')

# 初始化变量

capture_text = False

current_chapter = None

extracted_text = ""

# 遍历每一页

for page_num in range(num_pages):

page = reader.pages[page_num]

text = page.extract_text()

# 查找“本章要点”和“第{number}章”

key_points_match = key_points_pattern.search(text)

chapter_match = chapter_pattern.search(text)

if key_points_match:

print(f"在第 {page_num + 1} 页找到 '本章要点'")

capture_text = True

extracted_text = ""

if chapter_match:

chapter_number = int(chapter_match.group(1))

print(f"在第 {page_num + 1} 页找到 '第 {chapter_number} 章'")

if capture_text and current_chapter is not None:

# 将提取的文本添加到Word文档中

doc.add_paragraph(extracted_text)

print(f"已将第 {current_chapter} 章的内容添加到Word文档")

current_chapter = chapter_number

capture_text = False

if capture_text:

extracted_text += text + "\n"

# 保存Word文档

doc.save(output_docx_path)

print(f"已将提取的内容保存到Word文档: {output_docx_path}")

脚本说明：

导入库：

PyPDF2：用于读取PDF文件。

python-docx：用于创建和保存Word文档。

re：用于正则表达式匹配。

定义文件路径：

pdf_path：PDF文件的路径。

output_docx_path：输出的Word文档路径。

打开PDF文件：

使用PyPDF2.PdfReader读取PDF文件，并获取总页数。

创建Word文档：

使用python-docx创建一个新的Word文档。

定义正则表达式：

chapter_pattern：用于匹配“第{number}章”。

key_points_pattern：用于匹配“本章要点”。

遍历PDF每一页：

使用正则表达式查找“本章要点”和“第{number}章”。

当找到“本章要点”时，开始捕获文本。

当找到“第{number}章”时，停止捕获文本，并将捕获的文本添加到Word文档中。

保存Word文档：

使用doc.save保存Word文档。

注意事项：

确保PDF文件中的文本是可提取的（有些PDF文件可能是扫描件或图像，无法直接提取文本）。

如果PDF文件中的文本格式复杂，可能需要调整正则表达式或处理逻辑。

运行脚本：

将脚本保存为.py文件并运行，脚本会自动提取指定内容并保存到Word文档中。

以上就是Deepseek批量提取PDF中特点部分的文本的详细内容，更多请关注php中文网其它相关文章！