前面跟大家简单介绍过Python提取多个pdf首页合并输出，还有Python轻松处理Excel。有位粉丝留言python能不能从文献中提取特定的数字，希望能出一个教程，那么今天我们就来聊一聊如何用python读paper，提取特定的数字。
我们先来捋一捋思路：
- 利用python打开pdf文件，提取其中的文本
- 将每一行的文字分成单个词语
- 利用正则表达式来匹配每一个词语，看是不是数字
- 将文本写入到word文档中，如果是数字用黄色高亮
- 保存word文档
接下来我们用python代码来实现
代码语言：javascript复制#加载pdf,word和正则表达式模块
import PyPDF2
import docx
from docx.enum.text import WD_COLOR_INDEX
import re
#打开要读的pdf文件
pdfFileObj = open('meetingminutes.pdf', 'rb')
#生成pdf对象
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
#获取pdf文件中的文本信息
lines = []
for i in range(pdfReader.numPages):
pageObj = pdfReader.getPage(i)
text = pageObj.extractText()
lines = text.split("n")
#匹配所有数字的正则表达式
regx = re.compile(r'[- ]?([0-9] (.[0-9]*)?|.[0-9] )([eE][- ]?[0-9] )?')
#新建一个word对象,用来保存pdf文件的内容
doc = docx.Document()
#循环处理pdf文件中每一行文本
for line in lines:
#在word文档中添加段落
para = doc.add_paragraph('')
#对pdf文件中每一行文字，分成单词来处理
words = line.split(" ")
for word in words:
#在word文档的每一个段落中再添加run
run = para.add_run(word " ")
#如果单词是数字就用黄色来高亮显示
mo = regx.findall(word)
if len(mo) > 0:
run.font.highlight_color = WD_COLOR_INDEX.YELLOW
#最后保存word文档
doc.save('highlighted_pdf_number.docx')
关于python处理word涉及到的两个概念paragraph和run在《python让繁琐工作自动化》这本书中有详细介绍，大家感兴趣可以下去仔细读一下。
下图展示的试pdf文件中的本分内容
下图展示的是高亮之后的word文档。这里的格式可能和原来pdf文件的格式不太一样，但是内容是一样的。
这个任务中用到的代码均出自于我前面提到《python让繁琐工作自动化》这本书。
参考资料：
- Python提取多个pdf首页合并输出
- python让繁琐工作自动化
