文章详情

短信预约-IT技能 免费直播动态提醒

请输入下面的图形验证码

提交验证

短信预约提醒成功

Python 提取 PDF 文件的标题、日期和内容并将其存储到 MySQL 数据库中

2023-09-12 12:37

关注

一、要使用 Python 提取 PDF 文件的标题、日期和内容并将其存储到 MySQL 数据库中,您可以按照以下步骤操作:

安装必要的库:pdfminer, PyPDF2, mysql-connector-python.
pip install pdfminer PyPDF2 mysql-connector-python

导入必要的库并连接到 MySQL 数据库。

import mysql.connectorfrom mysql.connector import Errorfrom mysql.connector import errorcodeimport PyPDF2from pdfminer.high_level import extract_text
try:    connection = mysql.connector.connect(host='localhost',             database='database_name',             user='username',             password='password')    if connection.is_connected():        cursor = connection.cursor()        print("Connected to MySQL database")except Error as e:    print("Error while connecting to MySQL", e)

打开 PDF 文件并提取其标题、日期和内容。

pdf_file = open('file.pdf', 'rb')pdf_reader = PyPDF2.PdfFileReader(pdf_file)title = pdf_reader.documentInfo.titledate = pdf_reader.documentInfo['/CreationDate']content = extract_text('file.pdf')

将提取的信息插入到 MySQL 数据库中。

try:    cursor.execute("INSERT INTO table_name (title, date, content) VALUES (%s, %s, %s)", (title, date, content))    connection.commit()    print("Record inserted successfully into MySQL database")except mysql.connector.Error as error:    print("Failed to insert record into MySQL database {}".format(error))finally:    if connection.is_connected():        cursor.close()        connection.close()        print("MySQL connection is closed")

请注意,您需要将database_name、username、password和替换table_name为您自己的数据库信息。此外,请确保 PDF 文件与 python 脚本位于同一目录中,或者指定文件的完整路径。

二、详例解析
1.假定文本内容

Title: Sample PDF DocumentDate: 2022-03-20Content: Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed at est at lectus viverra malesuada. Pellentesque fermentum dolor vel finibus consequat. Nulla facilisi.

创建数据表存储PDF数据

CREATE TABLE pdf_data (    id INT AUTO_INCREMENT PRIMARY KEY,    title VARCHAR(255),    date DATE,    content TEXT);

编写Python代码将其解析存入数据库中

import PyPDF2from datetime import datetimeimport mysql.connector# Open the PDF filepdf_file = open('sample.pdf', 'rb')# Read the PDF metadatapdf_reader = PyPDF2.PdfFileReader(pdf_file)pdf_info = pdf_reader.getDocumentInfo()title = pdf_info.title# Read the PDF contentcontent = ''for page_num in range(pdf_reader.numPages):    page = pdf_reader.getPage(page_num)    content += page.extractText()# Format the datedate_str = pdf_info.get('CreationDate')[2:10]date = datetime.strptime(date_str, '%Y%m%d').date()# Store the data in the MySQL databasecnx = mysql.connector.connect(user='username', password='password', host='localhost', database='pdf_db')cursor = cnx.cursor()add_pdf = ("INSERT INTO pdf_data (title, date, content) VALUES (%s, %s, %s)")pdf_data = (title, date, content)cursor.execute(add_pdf, pdf_data)cnx.commit()# Close the database connection and PDF filecursor.close()cnx.close()pdf_file.close()

插入成功后在数据库库中查询

SELECT * FROM pdf_data;

大致结果如下:

idtitledatecontent
1Sample PDF Document2022-03-20Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed at est at lectus viverra malesuada. Pellentesque fermentum dolor vel finibus consequat. Nulla facilisi.

来源地址:https://blog.csdn.net/weixin_41772346/article/details/129668586

阅读原文内容投诉

免责声明:

① 本站未注明“稿件来源”的信息均来自网络整理。其文字、图片和音视频稿件的所属权归原作者所有。本站收集整理出于非商业性的教育和科研之目的,并不意味着本站赞同其观点或证实其内容的真实性。仅作为临时的测试数据,供内部测试之用。本站并未授权任何人以任何方式主动获取本站任何信息。

② 本站未注明“稿件来源”的临时测试数据将在测试完成后最终做删除处理。有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341

软考中级精品资料免费领

  • 历年真题答案解析
  • 备考技巧名师总结
  • 高频考点精准押题
  • 2024年上半年信息系统项目管理师第二批次真题及答案解析(完整版)

    难度     807人已做
    查看
  • 【考后总结】2024年5月26日信息系统项目管理师第2批次考情分析

    难度     351人已做
    查看
  • 【考后总结】2024年5月25日信息系统项目管理师第1批次考情分析

    难度     314人已做
    查看
  • 2024年上半年软考高项第一、二批次真题考点汇总(完整版)

    难度     433人已做
    查看
  • 2024年上半年系统架构设计师考试综合知识真题

    难度     221人已做
    查看

相关文章

发现更多好内容

猜你喜欢

AI推送时光机
位置:首页-资讯-数据库
咦!没有更多了?去看看其它编程学习网 内容吧
首页课程
资料下载
问答资讯