全部代码

代码效果

处理的pdf内容：

处理结果：

提前准备

使用的软件(IDE)是Pycharm

系统为Windows11

pdfplumber的安装：pip install pdfplumber

pdf文件与内容导入

pdf文件导入

代码中，我使用的了绝对路径。因为pdf共有18个，所以我需要for循环遍历，将文件的绝对地址通过append函数压入一个列表。

pdf内容导入

将pdf的全部内容压入一个列表后，通过.join函数将列表遍历拼接转为字符串类型，为接下来正则匹配做准备。

另外，如果pdf中的内容有图片或表格，那你就不能单纯的使用page.extract_text()。例如，处理pdf表格，需要使用page.extract_table()。其他具体用法请参考其它更专业的博客文章。

正则匹配|内容筛选

re.S是正则的一种匹配模式，作用是防止匹配的内容中第一个就是换行符（空格、换行）而导致返回空列表。（注：正则表达式中的“.”能匹配任意字符，但换行符除外。当时没少因为这个知识点吃苦头）

改：(d+).* 中的+是防止匹配到空格。*匹配目标出现0次或多次；+匹配目标出现1次或多次。

将结果存入Excel

这里使用的是openpyxl，具体的使用方法请参考相应的文档。

zip函数能同时遍历三个及以上的列表，并一一对应的形成新列表。注：请保证列表的长度一致，不然会发生一些意外。

另，生成的xlsx会保存在你的代码根目录下，如果要保存到其他地方，可以使用with方法。

总结

其实，代码写到这里主体的功能基本实现了，但是还有很大优化空间。例如，将单词词性匹配出来，可这对我来说有一定难度，因为pdf里有很多一词多意和一个单词既能是名词又能是动词的情况。又例如将中文释义和助记方法分别匹配，等等。最后只要将excel文件另存为csv格式后导入anki(bilibili上有人讲解过）即可，那么请看看我的最终成品吧。（虽然细节处理的不好）

2022-11-15 22-03-27_x264

文章知识点与官方知识档案匹配，可进一步学习相关知识Python入门技能树首页概览215105 人正在系统学习中

声明：本站部分文章及图片源自用户投稿，如本站任何资料有侵权请您尽早请联系jinwei@zod.com.cn进行处理,非常感谢！

达叔926词汇pdf单词提取、保存