python利用PyPDF2快速检索pdf名单，告别肉眼搜索

问题描述：

大家有没有在日常生活中碰到这样的问题：

●当一个比赛公布获奖名单时，pdf格式的获奖名单上有上万条人名，手指头在滚动条上机械地滑动，眼睛瞪得像铜铃，在密密麻麻的名单上从第一页翻到最后一页来查找自己的名字；

●亦或是在日常工作中，我们想要从数据海洋中查找我们想要的数据时，从上万条数据中一条一条的找，不仅眼睛酸痛效率还低，时常会漏掉一些关键信息。

下面分享一下我刚刚学习到的方法，既能释放双眼，并且不会漏掉任何一个我们想要的数据：

本文就是利用了python中一个非常好用的库：PyPDF2

PyPDF2 是一个用 Python 编写的开源库，它可以帮助开发者通过编程的方式来操作 PDF 文件。这个库使用纯 Python实现，依赖于第三方包 PyCryptodome 进行加密功能的支持。
它支持 Python 2 和 Python 3，并且可以独立于任何
PDF 阅读器或编辑器使用，这意味着你无需额外安装 Adobe Acrobat 等软件，就能在 Python 代码里对 PDF文件进行各种操作

详细内容请点击PyPDF2官方网站：PyPDF2

---

开始复现

最近，我参加了某比赛，公众号上发布了pdf获奖名单，下载打开后，二百多页几千条数据，于是我花了几乎几十分钟的时间才找到自己。事后我想找一个方便迅速的方法来一键检索我想要得到的信息，于是就寻觅到了PyPDF2：

这次复现过程就以pdf文件为例：

a.先下载一下这个python库，加上清华源下载速度快得多了：

pip install PyPDF2 -i https://pypi.tuna.tsinghua.edu.cn/simple 

b. 编写代码：

首先这个代码，我打算分两块去写，也就是构造两个函数，
一个函数(read_pdf())读取并处理pdf文件，一个函数(check_name())实行具体的操作（用户通过输入自己的姓名和院校来检索自己是否获奖）。最后通过主程序块运行。
b.1).读取并处理pdf文件：

读取指定路径下的 PDF 文件，并将文件中每一页的文本按行分割后存储在一个列表里，最后返回该列表。

def read_pdf():
    """读取pdf文件"""
    try:
        with open(r"D:\my_spider\winning_list.pdf", 'rb') as file:
            pdf_reader = PyPDF2.PdfReader(file)
            page_text = pdf_reader.pages
            results = []
            for p in range(len(page_text)):
                text = page_text[p].extract_text()
                text_list = text.split('\n')
                results.extend(text_list)

            return results
    except Exception as e:
        print(f'出现{e}错误！！！')

with open(r"D:\my_spider\winning_list.pdf", 'rb') as file:  # 改成你自己的路径

1.借助 open() 函数打开一个名为winning_list的文件。
●'rb' 是文件打开模式，其中 'r' 代表以只读模式打开文件，'b' 表示以二进制模式打开。由于 PDF 文件属于二进制文件，所以需要使用二进制模式来打开。
●with语句会在代码块结束时自动关闭文件，这样能避免手动管理文件的关闭操作，降低资源泄漏的风险。

pdf_reader = PyPDF2.PdfReader(file)

●此代码行创建了一个 PyPDF2.PdfReader 类的实例 pdf_reader，并将打开的文件对象 file 作为参数传入。
●PdfReader 对象用于读取 PDF 文件的内容。

page_text = pdf_reader.pages

获取 PDF 文件的所有页面。

results = []
            for p in range(len(page_text)):
                text = page_text[p].extract_text()
                text_list = text.split('\n')
                results.extend(text_list)

为什么要写成列表的形式，因为text返回的内容是字符串，所以这个列表表示遍历pdf的每一页内容，并逐页将数据以列表的形式存储起来，方便之后检索。

text = page_text[p].extract_text()

用到了extract_text()方法来提取当前页的文本内容。

text返回的内容（pdf某页）：

可以看到text返回的内容是一行一行的字符串。

text_list = text.split('\n')

将当前页的文本按换行符分割成多个字符串。

results.extend(text_list)

把分割后的字符串追加到 results 列表中。

b.2).实现检索功能：

依据用户输入的姓名和院校信息，在 PDF 文件读取的内容中查找匹配的条目，并给出相应的提示信息。

def check_name(name, school):
    print("正在搜索中......")
    original = read_pdf()
    filtered_list = []
    for item in original:
        if f'{name}' in item and f'{school}' in item:
            filtered_list.append(item)

    if len(filtered_list) == 0:
        print(f"\t😰😰😰\n很遗憾，{name}（{school}）, 未在名单上寻得您的名字。。。")
    else:
        print(f'\t✅✅✅\n 祝贺你,{name}({school})!!!, 我们在名单中发现了你，下面是您的具体信息：\n {filtered_list} ')

original = read_pdf()

调用 read_pdf 函数，读取 PDF 文件的内容。

filtered_list = []

初始化一个空列表，用于存储匹配的条目。

for item in original

遍历读取的所有文本行。

if f'{name}' in item and f'{school}' in item

判断当前文本行是否同时包含用户输入的姓名和院校信息。

filtered_list.append(item)

若匹配，则将该文本行添加到 filtered_list 列表中。

if len(filtered_list) == 0

判断 filtered_list 列表是否为空:
●若为空，打印未找到的提示信息，说明没有获奖
●若不为空，打印找到的提示信息，说明获奖，并显示匹配的具体条目。

c.主程序块：

if __name__ == '__main__':
    name = input(f"\t欢迎您！！！\n请输入您的姓名：")
    school = input(f"请输入您的院校：")
    check_name(name, school)

即通过input()方法来获取两个变量：用户的姓名和院校，获取之后将这两个变量传递给check_name()方法来检索。

源代码：

import PyPDF2


def read_pdf():
    """读取pdf文件"""
    try:
        with open(r"D:\my_spider\winning_list.pdf", 'rb') as file:
            pdf_reader = PyPDF2.PdfReader(file)
            page_text = pdf_reader.pages
            results = []
            for p in range(len(page_text)):
                text = page_text[p].extract_text()
                text_list = text.split('\n')
                results.extend(text_list)

            return results
    except Exception as e:
        print(f'出现{e}错误！！！')


def check_name(name, school):
    print("正在搜索中......")
    original = read_pdf()
    filtered_list = []
    for item in original:
        if f'{name}' in item and f'{school}' in item:
            filtered_list.append(item)

    if len(filtered_list) == 0:
        print(f"\t😰😰😰\n很遗憾，{name}（{school}）, 未在名单上寻得您的名字。。。")
    else:
        print(f'\t✅✅✅\n 祝贺你,{name}({school})!!!, 我们在名单中发现了你，下面是您的具体信息：\n {filtered_list} ')


if __name__ == '__main__':
    name = input(f"\t欢迎您！！！\n请输入您的姓名：")
    school = input(f"请输入您的院校：")
    check_name(name, school)

---

效果展示：

输入姓名和院校之后可以成功检索到信息：

名单中没有的人也会回显：