pandas处理pdf

A：用pandas读取pdf 提取段落和段落关键字导出成对应的数据集 #

GPT： 很遗憾，目前不存在一种直接从PDF中提取段落和关键字的pandas方法。不过，你可以使用Python的pdfminer库来解析PDF文件，然后使用正则表达式或其他技术来提取段落和关键字，并将它们放入DataFrame中。 以下是一个示例代码，展示了如何使用pdfminer解析PDF文件并提取段落和关键字：

import pdfminer.high_level
import re
import pandas as pd

def extract_paragraphs_keywords(pdf_file):
 paragraphs = []
 keywords = []
    
 with open(pdf_file, 'rb') as f:
 pages = pdfminer.high_level.extract_pages(f)
 for page_layout in pages:
 for element in page_layout:
 if isinstance(element, pdfminer.layout.LTTextBoxHorizontal):
 # Extract all text in the element
 text = element.get_text().strip()
 # Split the text into paragraphs
 paragraphs += re.split('
{2,}', text)
 # Extract keywords
 keywords += re.findall(r'(keyword1|keyword2|keyword3)', text, re.IGNORECASE)
                    
 # Create DataFrame
 df = pd.DataFrame({'Paragraphs': paragraphs, 'Keywords': keywords})
    
 return df

在上面的代码中，我们使用pdfminer库的extract_pages函数来解析PDF文件的每一页。然后，我们循环遍历每个页面的LTTextBoxHorizontal元素，将其文本分割成段落，并使用正则表达式查找关键字。最后，我们将段落和关键字存储在DataFrame中并返回。你需要将keyword1，keyword2和keyword3替换为你想要提取的关键字。 使用上述方法，你可以提取PDF文档中的段落和关键字，并将它们存储在一个易于分析的DataFrame中。