当前位置: 首页 > news >正文

AI办公自动化:kimi批量搜索提取PDF文档中特定文本内容

工作任务:PDF文档中有资料来源这一行,比如:

资料来源:moomoo tech、The Information、Bloomberg、Reuters,浙商证券研究所

数据来源:CSDN、浙商证券研究所

数据来源:CSDN、arXiv、浙商证券研究所

数据来源:秘塔AI搜索官网,Similarweb,Epic Connector,东吴证券研究所

来源:Github,《面向深度学习的多模态融合技术研究综述》,《Make-a-video: text-to-video generation without text-video data》,浙商证券研究所

来源:Github,OSCHINA,浙商证券研究所

希望提取文件中几百个PDF文档中的资料来源

在kimi中输入提示词:

你是一个Python编程专家,完成一个脚本编写任务,具体步骤如下:

打开文件夹:F:\研报下载\AIGC研报;

用pdfplumber 库读取文件夹中所有的PDF文件;

遍历PDF文档中的每行文本,查找以“资料来源:”开头、以“数据来源:”开头和以“来源:”开头的这一行文本内容;

保存这些文本内容到文件夹“F:\AI自媒体内容\AI行业数据分析”下的Excel文件中;

注意:

每一步都要输出信息

处理异常和错误:确保你的代码能够处理可能遇到的异常,如文件损坏、权限问题或格式不一致等。

Kimi生成的源代码:

import os

import re

import pdfplumber

from openpyxl import Workbook

# 定义要搜索的关键词

keywords = ["资料来源:", "数据来源:", "来源:"]

# 定义源文件夹和目标文件夹路径

source_folder = r'F:\研报下载\AIGC研报'

target_folder = r'F:\AI自媒体内容\AI行业数据分析'

# 确保目标文件夹存在

os.makedirs(target_folder, exist_ok=True)

# 创建Excel工作簿

workbook = Workbook()

sheet = workbook.active

# 遍历源文件夹中的所有文件

for filename in os.listdir(source_folder):

if filename.endswith('.pdf'):

print(f"正在处理文件:{filename}")

# 构建完整的文件路径

file_path = os.path.join(source_folder, filename)

try:

# 使用pdfplumber打开PDF文件

with pdfplumber.open(file_path) as pdf:

# 遍历PDF文档中的每页

for page in pdf.pages:

text = page.extract_text()

# 使用正则表达式搜索关键词

for keyword in keywords:

pattern = re.compile(re.escape(keyword) + ".*")

matches = pattern.findall(text)

for match in matches:

print(f"找到匹配的文本:{match}")

# 将找到的文本写入Excel

sheet.append([match])

except Exception as e:

print(f"处理文件{filename}时发生错误:{e}")

# 保存Excel文件

excel_file_path = os.path.join(target_folder, 'AI_Industry_Analysis.xlsx')

workbook.save(excel_file_path)

print(f"所有数据已保存到:{excel_file_path}")

http://www.lryc.cn/news/373371.html

相关文章:

  • 基于C#开发web网页管理系统模板流程-总集篇
  • 什么是DMZ?路由器上如何使用DMZ?
  • 【bugfix】解决Redis缓存键清理问题
  • 泛微开发修炼之旅--15后端开发连接外部数据源,实现在ecology系统中查询其他异构系统数据库得示例和源码
  • 弹幕逆向signature、a_bogus
  • jEasyUI 使用标记创建树形菜单
  • IT人的拖延——拖是因为不想离开“舒适区”?
  • JUnit 5学习笔记
  • 西格玛 ------ 第18个希腊字母学习
  • 【C语言】assert.h——断言
  • HTML静态网页成品作业(HTML+CSS)—— 零食商城网页(1个页面)
  • 虚函数机制-动态绑定的应用
  • MOS开关电路应用于降低静态功耗
  • 【每日刷题】Day65
  • Oracle数据库连接并访问Microsoft SQL Server数据库
  • SQL 入门教程
  • Java—装饰器模式
  • 服务器远程桌面经常连接不上,造成远程桌面连接不上的原因都有哪些
  • C#|Maui|BootstrapBlazor|Bootstrap Blazor 组件库改模板 | Bootstrap Blazor 组件库改布局,该怎么改?
  • 【Linux】I/O多路复用
  • ubuntu20.0.4下安装PyTorch
  • Android屏幕旋转流程(1)
  • JS常见的运算符有哪些?
  • 【scikit-learn入门指南】:机器学习从零开始
  • MEMS:Lecture 17 Noise MDS
  • Windows运维:找到指定端口的服务
  • Linux文件系统讲解!
  • mysql集群,两主两从,使用mysql-proxy实现读写分离
  • Linux文本处理三剑客+正则表达式
  • Linux启动KKfileview文件在线浏览时报错:启动office组件失败,请检查office组件是否可用