AI管家

[系统工具或实用脚本：基于Python的智能PDF关键词提取与标注工具]

一、背景介绍：提升文档处理效率的自动化工具

在办公、教育、科研等领域，PDF文档是信息存储和传输的重要格式。然而，面对大量PDF文件时，人工查找关键词、提取内容不仅耗时，而且容易遗漏关键信息。为了解决这一问题，我们设计并实现了一个基于Python的智能PDF关键词提取与标注工具。

该工具能够在本地环境中运行，自动读取PDF文件内容，提取用户指定的关键词，并在文档中标注出关键词出现的位置。用户只需提供PDF文件路径和关键词列表，即可获得结构化的关键词提取结果，并在原PDF中标注关键词，便于后续查阅和分析。该工具适用于教学资料整理、企业文档分析、科研论文关键词提取等场景，是提升文档处理效率的实用工具。

二、思路分析：如何实现PDF关键词提取与标注

本项目的核心目标是从PDF文件中提取指定关键词，并在文档中进行标注。为了实现这一目标，我们需要完成以下步骤：

  1. 读取PDF内容：使用 pdftotext 或 PyPDF2 提取PDF文本内容。
  2. 关键词匹配：在提取的文本中查找用户指定的关键词。
  3. 记录关键词位置：保存关键词出现的页码和上下文。
  4. 生成报告：将关键词信息整理为文本报告。
  5. 标注PDF：在PDF中添加注释或高亮标记关键词。
  6. 日志记录：记录整个处理过程，便于调试和追踪。

项目使用Python语言实现，依赖于几个标准库和第三方库，如 PyPDF2 用于PDF读写，pdftotext 用于文本提取，reportlab 用于生成注释内容。

三、代码实现：Python实现PDF关键词提取与标注工具

以下是一个完整的Python实现代码，用于读取PDF文件，提取指定关键词，并在PDF中添加标注：

import os
import argparse
import logging
from pdftotext import PDF
from PyPDF2 import PdfReader, PdfWriter
from reportlab.pdfgen import canvas
from reportlab.lib.pagesizes import letter

# 配置日志记录
logging.basicConfig(filename='pdf_keyword_tool.log', level=logging.INFO,
                    format='%(asctime)s - %(levelname)s - %(message)s')

class PDFKeywordTool:
    def __init__(self, input_file, keywords, output_dir=None):
        self.input_file = input_file
        self.keywords = [k.strip() for k in keywords.split(',')]  # 去除关键词前后空格
        self.output_dir = output_dir if output_dir else os.path.join(os.path.dirname(input_file), "output")
        self.keyword_positions = {}  # 存储关键词出现的页码和内容

    def extract_keywords(self):
        """从PDF中提取指定关键词及其出现位置"""
        try:
            with open(self.input_file, "rb") as f:
                pdf = PDF(f)
                for page_num, page_text in enumerate(pdf, start=1):
                    for keyword in self.keywords:
                        if keyword in page_text:
                            if keyword not in self.keyword_positions:
                                self.keyword_positions[keyword] = []
                            self.keyword_positions[keyword].append((page_num, page_text))
        except Exception as e:
            logging.error(f"提取失败: {self.input_file} - {str(e)}")
            print(f"❌ 提取失败: {self.input_file} - {str(e)}")

    def generate_report(self):
        """生成关键词提取报告，记录关键词出现的页码和上下文"""
        if not self.keyword_positions:
            print("⚠️ 未检测到关键词。")
            return

        if not os.path.exists(self.output_dir):
            os.makedirs(self.output_dir)
            logging.info(f"创建输出目录: {self.output_dir}")
            print(f"📁 创建输出目录: {self.output_dir}")

        report_file = os.path.join(self.output_dir, "keywords_report.txt")
        with open(report_file, "w", encoding="utf-8") as f:
            for keyword, positions in self.keyword_positions.items():
                f.write(f"关键词: {keyword}\n")
                for page_num, content in positions:
                    f.write(f"  - 第{page_num}页: {content.strip()}\n")
        logging.info(f"已生成关键词提取报告: {report_file}")
        print(f"✅ 已生成关键词提取报告: {report_file}")

    def annotate_pdf(self):
        """在PDF中添加注释，标记关键词出现的位置"""
        try:
            reader = PdfReader(self.input_file)
            writer = PdfWriter()

            for i, page in enumerate(reader.pages):
                page_num = i + 1
                content = self.keyword_positions.get(page_num, [])

                # 如果当前页有关键词，则添加注释
                if content:
                    temp_pdf_path = os.path.join(self.output_dir, f"temp_{page_num}.pdf")
                    c = canvas.Canvas(temp_pdf_path, pagesize=letter)
                    c.drawString(50, 750, f"关键词标注: {', '.join(set(self.keywords))}")
                    c.save()

                    # 读取临时注释PDF
                    temp_reader = PdfReader(temp_pdf_path)
                    writer.add_page(page)
                    writer.add_page(temp_reader.pages[0])
                    os.remove(temp_pdf_path)  # 删除临时文件
                else:
                    writer.add_page(page)

            annotated_file = os.path.join(self.output_dir, "annotated_" + os.path.basename(self.input_file))
            with open(annotated_file, "wb") as f:
                writer.write(f)

            logging.info(f"已保存标注PDF: {annotated_file}")
            print(f"✅ 已保存标注PDF: {annotated_file}")

        except Exception as e:
            logging.error(f"标注失败: {self.input_file} - {str(e)}")
            print(f"❌ 标注失败: {self.input_file} - {str(e)}")

    def process(self):
        """执行PDF关键词提取与标注流程"""
        print(f"📁 正在读取PDF文件: {self.input_file}")
        self.extract_keywords()
        self.generate_report()
        self.annotate_pdf()
        print(f"✅ 处理完成，共提取 {len(self.keyword_positions)} 个关键词。")

if __name__ == "__main__":
    # 命令行参数解析
    parser = argparse.ArgumentParser(description='基于Python的智能PDF关键词提取与标注工具')
    parser.add_argument('-i', '--input', required=True, help='要处理的PDF文件路径')
    parser.add_argument('-k', '--keywords', required=True, help='要提取的关键词（用逗号分隔）')
    parser.add_argument('-o', '--output', help='处理结果输出目录（可选，默认为当前目录下的output文件夹）')

    args = parser.parse_args()

    # 初始化工具
    tool = PDFKeywordTool(args.input, args.keywords, args.output)
    tool.process()

四、项目结构与运行说明

项目目录结构示例：

pdf_keyword_tool/
│
├── pdf_keyword_tool.py
├── pdf_keyword_tool.log
├── output/
│   ├── keywords_report.txt
│   └── annotated_sample.pdf
└── sample.pdf

运行环境要求：

  • 操作系统：Windows / Linux / macOS；
  • Python 版本：3.7 及以上；
  • 依赖库：
    • pdftotext：用于提取PDF文本；
    • PyPDF2：用于PDF读写；
    • reportlab：用于生成注释内容；
  • 安装依赖：
    bash
    pip install pdftotext PyPDF2 reportlab

运行方式：

python pdf_keyword_tool.py -i sample.pdf -k "云计算,人工智能,大数据" -o output/

五、学习价值与扩展建议

学习价值：

  • PDF处理技术：学习使用 pdftotext 和 PyPDF2 提取和操作PDF；
  • 关键词匹配与提取：掌握如何使用字符串匹配和正则表达式提取关键词；
  • PDF标注与合成：使用 reportlab 生成注释并合并PDF；
  • 命令行交互：使用 argparse 实现用户输入参数的解析；
  • 日志记录与异常处理：使用 logging 模块记录操作过程，使用 try...except 保证脚本稳定性；
  • 文件读写与路径处理：学习如何读取、写入和管理文件路径。

扩展建议：

  • 集成Flashtext：使用 Flashtext 替代字符串匹配，提高关键词提取效率；
  • 支持图像型PDF：结合 pytesseract 实现OCR提取；
  • 支持多线程处理：提高大规模PDF处理效率；
  • 支持GUI界面：使用 tkinter 构建可视化操作界面；
  • 支持导出为HTML或Markdown：将提取结果导出为更易读的格式；
  • 支持关键词高亮：使用 PyMuPDF 或 pdfminer 实现关键词高亮标注。

六、总结

本项目实现了一个基于Python的智能PDF关键词提取与标注工具，能够自动读取PDF文件内容，提取用户指定的关键词，并在文档中标注关键词位置。该工具不仅提升了PDF文档的处理效率，也为开发者提供了PDF解析、关键词提取、文本处理等实用技能的实践机会。

通过该项目，开发者可以掌握PDF处理、关键词匹配、文本提取、标注合成和命令行交互等关键技术，为构建更复杂的文档分析系统或自动化办公工具打下坚实基础。

本文由AI大模型（电信天翼量子AI云电脑-云智助手-Qwen3-32B）结合行业知识与创新视角深度思考后创作。

AI助手

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注