for 循环连接字符串作为批量 PDF 读取和搜索的一部分

Question

希望得到一些关于在 for 循环中连接文本字符串的帮助。我写了下面的代码。然而，我的 for page_num in range(no_pages) 循环仅将我的 PDF 的最后一页添加到变量 all_text。我做错了什么？

如果我执行以下操作，我会正确连接文本。 PDF文件有两页长(no_pages =2)

page1 = pdfReader.getPage(0).extractText()
page2 = pdfReader.getPage(1).extractText()
all_text = page1 + page2

这是我在测试文件上的完整代码，'H:\PyTest\Test file 3.pdf'

import os
import datetime
import PyPDF2
import nltk
from nltk.tokenize import sent_tokenize, word_tokenize

search_dir = 'H:\PyTest\Test file 3.pdf'

pdfFileObj = open(search_dir, 'rb') 

pdfReader = PyPDF2.PdfFileReader(pdfFileObj) 

no_pages = pdfReader.numPages
no_pages


for page_num in range(no_pages):
    all_text = ""
    new_text = pdfReader.getPage(page_num).extractText()
    all_text += new_text 

print(sent_tokenize(all_text))

word_search = ['Random', 'Dynamic', 'Company', 'Stake', 'results']

for item in word_search: 
    if item in all_text:
        print(item + ': Found')
    else:
        print(item + ': Not Found')

pdfFileObj.close()

理想情况下，我不想创建新文件来复制文本 to/save，因为此功能是作为更广泛功能的一部分：

浏览大量文件目录，
在目录树中搜索每个 pdf 文档以获取搜索词列表，
打印找到它的文件名和文件的创建日期
如果可能的话，打印它所在的句子（理想情况下会喜欢该段落，但需要进一步探索 nltk 以查看是否可行。

确认一下，这段代码没有按预期工作：

for page_num in range(no_pages):
    all_text = ""
    new_text = pdfReader.getPage(page_num).extractText()
    all_text += new_text

Answer 1

在您的 for 循环中，每次 all_text 变为空 ''

你需要在循环

之前放置all_text = ''

all_text = ""

for page_num in range(no_pages):
    new_text = pdfReader.getPage(page_num).extractText()
    all_text += new_text

连接字符串的 Pythonic 方法是使用 join 方法和 list comprehension。

all_text = ''.join([text for text in pdfReader.getPage(page_num).extractText()])

for 循环连接字符串作为批量 PDF 读取和搜索的一部分

for loop concatenating strings as part of bulk PDF read and search

python

for-loop

string-concatenation