📄 pdf_extract_text —— PDF 文字提取与关键词统计

把 PDF 报告/合同/课件里的文字「抠出来」存成 txt，并统计关键词出现次数。做资料归档、合规检查、内容检索都很好用。

适用人群

• • 财务 / 运营：从一堆报表 PDF 里提取文字、统计「营收/成本」出现次数。
• • 老师 / 科研：把课件 PDF 转成可搜索文本，统计重点词频。
• • 法务 / 行政：合同批量提取，检查关键条款命中情况。
• • 自媒体：把参考资料 PDF 转文字，二次创作。

功能简介

1. 1. 读取 testdata/docs/ 下所有 PDF。
2. 2. 用 PyPDF2 提取每篇全文，写到 output/<原名>.txt。
3. 3. 读取 testdata/keywords.txt（每行一个关键词）。
4. 4. 统计每个关键词在全部文档中的出现次数（英文不区分大小写）。
5. 5. 输出汇总报告 output/keywords_report.txt（总次数 + 每篇明细）。

依赖：PyPDF2（第三方库，pip install PyPDF2 或 pip install pypdf）。

环境准备

pip install PyPDF2# 或等价的新版分叉：pip install pypdfpython --version   # 建议 3.8+

本机已验证环境：Python 3.14 + PyPDF2 3.0.1。

使用方法

# 1) 生成测试素材（2 个中文 PDF + keywords.txt，用 fpdf2 现画）python make_testdata.py# 2) 提取文字 + 统计关键词python pdf_extract_text.py# 3) 自定义目录与关键词文件python pdf_extract_text.py \    --input ./我的PDF \    --keywords ./我的关键词.txt \    --output ./结果

参数说明：

核心代码讲解

from PyPDF2 import PdfReader# 1. 逐页提取文字reader = PdfReader(pdf_path)text = "\n".join(page.extract_text() or""for page in reader.pages)# 2. 落盘为 txtwithopen(out_txt, "w", encoding="utf-8") as f:    f.write(text)# 3. 关键词计数（英文统一小写，中文不受影响）lower = text.lower()count = lower.count(kw.lower())

关键点：PyPDF2 的 extract_text() 对文本型 PDF（如本脚本用 fpdf2 生成的）提取效果好；扫描件（图片 PDF）需先用 OCR（如 pytesseract）识别，这是进阶方向。

测试素材说明

python make_testdata.py 用 fpdf2 现画 2 个中文 PDF：

• • testdata/docs/doc1_办公自动化.pdf：讲文件重命名、文件夹整理、自动发邮件。
• • testdata/docs/doc2_报表自动化.pdf：讲报表与邮件自动化、PDF 提取。
• • testdata/keywords.txt：Python / 自动化 / 报表 / 邮件 / 办公

运行后 output/ 含：

• • doc1_办公自动化.txt、doc2_报表自动化.txt（提取出的纯文本）
• • keywords_report.txt（统计报告，示例结果：自动化 8 次、报表 8 次、邮件 4 次…）

注意：测试 PDF 由 fpdf2 生成并内嵌黑体字体，因此可被 PyPDF2 正确提取中文；你自己的 PDF 只要是「文本型」即可，扫描图片型需另接 OCR。

常见问题

Q1：提取出来是空文件 / 乱码？多为「扫描件 PDF」（内容是图片）。需用 OCR：pip install pytesseract + 安装 Tesseract，对每页先转图再识别。文本型 PDF 一般无此问题。

Q2：关键词没统计到中文？代码对中文按原样匹配，只要 PDF 文字能被提取到就能统计。空结果通常是 Q1 导致文字没提取出来。

Q3：想统计「词频」而非「子串次数」？count() 是子串匹配（如「报表」会命中「报表」）。严格分词需接 jieba 分词后再计数，进阶练习。

Q4：PyPDF2 和 pypdf 选哪个？二者 API 兼容，本脚本用的是 PyPDF2；若装的是 pypdf，把 from PyPDF2 改成 from pypdf 即可。

Q5：大 PDF 很慢？PyPDF2 逐页提取，文档很大时可只处理前 N 页或加进度提示（可在循环里 print_step）。

打包成 exe

把 PDF 提取工具发给同事，用 PyInstaller 打包。

1. 安装

pip install pyinstaller PyPDF2

2. 本脚本打包命令

依赖 PyPDF2（纯 Python），资源走相对路径，无需 --add-data：

cd pdf_extract_textpyinstaller -F -w ^    --name pdf_extract_text ^    --icon myicon.ico ^    pdf_extract_text.py

一行版：pyinstaller -F -w --name pdf_extract_text pdf_extract_text.py

产物：dist/pdf_extract_text.exe。

3. 资源路径的坑

-F 后程序解压到临时目录，但本脚本用 ./testdata、./output 这种相对当前工作目录路径——exe 要和 testdata 同目录、在该目录打开命令行运行即可。

若要 exe 自带 testdata（含示例 PDF 与关键词），加 --add-data：

pyinstaller -F -w --name pdf_extract_text ^    --add-data "testdata;testdata" ^    pdf_extract_text.py

代码里加「兼容路径」函数（按需）：

import sys, osdefresource_path(rel):    base = getattr(sys, "_MEIPASS", os.path.abspath("."))return os.path.join(base, rel)

4. 加图标

准备 myicon.ico，加 --icon myicon.ico；没有则删掉该行。

5. 瘦身

• • PyPDF2 是纯 Python，打包约 8~12 MB，已很小。
• • 无需 UPX、无需 exclude-module。

6. 常见坑汇总

小结

pdf_extract_text 把「PDF → 文本 → 关键词统计」串成一条流水线，是知识管理的基础件。配合 file_organizer 先按类型归档、batch_rename 再统一编号，就能搭起一套完整的文档自动化工作流。

进阶：OCR 识别扫描件、jieba 中文分词词频、提取后自动生成词云。