python问题，求帮助

劝你们要善良 发表于 2020-5-7 19:09

学弟发给我的一个python的题。然后发现不怎么会做。请大神帮一下忙。关于提取PDF内容的代码如下

import os

import sys

import time

pdfs = (pdfs for pdfs in os.listdir('.') if pdfs.endswith('.pdf'))

for pdf1 in pdfs:

pdf = pdf1.replace(' ', '_').replace('-', '_').replace('&', '_')

os.rename(pdf1, pdf)

print('='*30)

print(pdf)

txt = pdf[:-4] + '.txt'

exe = '"' + sys.executable + '" "'

pdf2txt = os.path.dirname(sys.executable)

pdf2txt = pdf2txt + '\\scripts\\pdf2txt.py" -o '

try:

   #调用命令行工具pdf2txt.py进行转换

   #如果pdf加密过可以改写下面的代码

   #在-o前面使用-P来指定密码

   cmd = exe + pdf2txt + txt + ' ' + pdf

   os.popen(cmd)

   #转换需要一定时间，一般小文件2秒钟足够了

   time.sleep(2)

   #输出转换后的文本，前200个字符

   with open(txt, encoding='utf8') as fp:

         print(fp.read(200))

except:

   pass

劝你们要善良 发表于 2020-5-7 19:10

排版垃圾的很。请见谅

Semoon 发表于 2020-5-7 19:40

你没搞对,论坛支持代码页面的{:301_995:}

yao5201478 发表于 2020-5-7 19:58

### 帮你排个版
```python
import os
import sys
import time

pdfs = (pdfs for pdfs in os.listdir('.') if pdfs.endswith('.pdf'))

for pdf1 in pdfs:
pdf = pdf1.replace(' ', '_').replace('-', '_').replace('&', '_')
os.rename(pdf1, pdf)
print('='*30)
print(pdf)

txt = pdf[:-4] + '.txt'
exe = '"' + sys.executable + '" "'
pdf2txt = os.path.dirname(sys.executable)
pdf2txt = pdf2txt + '\\scripts\\pdf2txt.py" -o '
try:
   #调用命令行工具pdf2txt.py进行转换
   #如果pdf加密过可以改写下面的代码
   #在-o前面使用-P来指定密码

   cmd = exe + pdf2txt + txt + ' ' + pdf
   os.popen(cmd)

   #转换需要一定时间，一般小文件2秒钟足够了

   time.sleep(2)

   #输出转换后的文本，前200个字符

   with open(txt, encoding='utf8') as fp:
         print(fp.read(200))

except:

   pass
```

ymhld 发表于 2020-5-7 20:05

查重的规则呢？段落？句子？词？

处女-大龙猫 发表于 2020-5-7 20:43

这要求有点高吧, 还要全部给找出来重复率, 我没太怎么接触文件遍成, 一般是爬虫和excel. pdf库没怎么接触{:1_911:}

Fris 发表于 2020-5-7 20:54

导出的文本文件再用diff命令比较？

Ag2S 发表于 2020-5-7 21:17

查重的规则呢？没有规则，如何写代码。

ciker_li 发表于 2020-5-7 21:58

等大神指点

Zeaf 发表于 2020-5-7 22:23

等一个大神来，有大神来了回复我一下可好

页: [1] 2

吾爱破解 - 52pojie.cn's Archiver

python问题，求帮助