Python用于NLP ：处理文本和PDF文件

提示：代码图片可以点击全屏查看，双指操作还可以放大缩小。

这是我的Python用于自然语言处理（NLP）系列文章的第一篇文章。在本文中，我们将从Python for NLP的基础知识开始。我们将看到如何使用Python处理简单的文本文件和PDF文件。

处理文本文件

文本文件可能是你在NLP工作中遇到的最基本类型的文件。在本节中，我们将了解如何用Python读取文本文件，创建文本文件以及将数据写入文本文件。

阅读文本文件

使用以下文本创建一个文本文件，并使用“.txt”扩展名将其保存在本地目录中。

在我的例子中，我将名为“myfile.txt”的文件存储在我的D盘根目录中。

阅读文件的所有内容

现在让我们看看我们如何阅读文件的全部内容。第一步是指定文件的路径，如下所示：

要打开文件，你可以使用Python的内置open函数。如果你执行上面的代码并且没有看到错误，则表示你的文件已成功打开。确保将文件路径更改为保存文本文件的位置。

现在让我们看看myfile变量中存储了什么：

输出如下所示：

输出显示该myfile变量是myfile.txt文件的容器，并以只读模式打开文件。

如果指定了错误的文件路径，则可能会收到以下错误：

每当你得到Errno 2时，可能有两个原因。你的文件不存在或者你给open函数提供了错误的文件路径。

现在，让我们读一下该文件的内容。为此，你需要在myfile变量上调用read()函数，如下所示：

在输出中，你应该可以看到文件的文本，如下所示：

现在，如果你尝试再次调用read，控制台上将不会打印任何内容：

这是因为一旦调用该read方法，光标就会移动到文本的末尾。因此，当你再次调用read时，不会显示任何内容，因为已经没有更多要打印的文本了。

一个解决这个问题的方案就是在调用read()方法之后，调用seek()方法并使用0作为参数。

这会将光标移回文本文件的开头。查看以下代码以了解其工作原理：

在输出中，你将看到文本内容被打印了两次。

一旦完成文件处理后，关闭文件以便其他应用程序可以访问显得非常重要。为此，你需要调用close()方法。

逐行读取文件

我们也可以逐行读取文件内容，而不是一次读取文件的所有内容。为此，我们需要执行readlines()方法，该方法可以将文本文件中的每一行作为列表项返回。

在输出中，你将看到文本文件中的每一行都变为了列表项：

在多数情况下，这会使文本更容易相处。例如，我们现在可以轻松遍历每一行并打印行中的第一个单词。

输出如下所示：

写入文本文件

要写入文本文件，只需在打开文件时将打开模式设置为w或w+。前者在写入模式下打开文件，后者在读取和写入模式下打开文件。如果该文件不存在，则会创建该文件。值得一提的是，如果你以w或w+模式打开一个文件时，则将移除所有的文件内容，如下所示：

在输出中，由于使用w+模式打开文件，因此屏幕上不会显示任何内容，文件的所有内容都已被删除。你可以附加文字来避免这种情况，我也会在下面提到。

现在，让我们使用write()方法在文件中写一些内容。

在上面的脚本中，我们将文本写入文件，然后调用seek()方法将光标移回开始，然后调用read方法读取文件的内容。在输出中，你将看到新添加的内容，如下所示：

通常，你不需要删除文件的现有内容。相反，你可能需要在文件末尾添加内容。

为此，你需要以a+模式打开文件，该模式能够添加和读取文件内容。

再次创建一个包含以下内容的文件，并在D盘根目录中将其保存为“myfile.txt”：

执行以下脚本以使用添加模式打开文件：

在输出中，你将看到文件的内容。

接下来，让我们在文件中添加一些文本。

现在我们再次阅读文件内容：

在输出中，你将在文末看到新添加的行，如下所示：

最后，在继续下一节之前，让我们看看在执行所需操作后如何使用上下文管理器自动关闭文件。

使用with关键字，如上所示，你不需要明确关闭文件。相反，上面的脚本打开文件，读取内容，然后自动关闭它。

处理PDF文件

除了文本文件，我们还经常需要使用PDF文件来执行不同的自然语言处理任务。默认情况下，Python没有任何可用于读取或写入PDF文件的内置库。但是我们可以使用PyPDF2库。

在我们使用PyPDF2库之前，需要安装它。如果你使用pip安装程序，则可以使用以下命令安装PyPDF2库：

或者，如果你使用的是Anaconda环境中的Python，则可以在conda命令提示符下执行以下命令：

注意：这里需要提到的是PDF文档可以从不同的来源创建，如word文档，图像等。在本文中，我们将只处理使用word文档创建的PDF文档。对于使用图像创建的PDF文档，还有其他专门的库，我将在后面的文章中解释。目前，我们只使用使用word文档生成的PDF文档。

作为可以使用的虚拟文档，你可以从以下链接下载PDF：http://www.bavtailor.com/wp-content/uploads/2018/10/Lorem-Ipsum.pdf

将下载的文档保存在D盘根目录下。

阅读PDF文档

要阅读PDF文档，首先，我们必须要像其他普通文件一样打开它。使用以下脚本：

值得一提的是，在打开PDF文件时，必须将模式设置为“读取二进制”的rb模式，因为大多数PDF文件都是二进制格式。

打开文件后，我们需要调用PyPDF2库中的PdfFileReader()函数，如下所示：

现在使用pdf_document变量，我们可以执行各种读取功能。例如，要获取PDF文档中的总页数，我们可以使用以下numPages属性：

由于我们只有一页文档，在我们的PDF文档中，你将在结果中看到1。

最后，要从PDF文档中提取文本，首先需要使用getPage()函数获取PDF文档的页面。

接下来，你可以调用extractText()函数从特定页面中提取文本。

以下脚本从PDF的第一页中提取文本，然后将其打印在控制台上。

在结果中，你应该看到PDF第一页中的文本。

写入PDF文档

由于字体和其他约束，无法使用PyPDF2库直接将Python字符串写入PDF文档。但是，为了演示，我们将从PDF文档中读取内容，然后将该内容写入我们将创建的另一个PDF文件。

让我们首先阅读PDF文档第一页的内容。

上面的脚本读取了我们PDF文档的第一页。现在，我们可以使用以下脚本将第一页中的内容写入新的PDF文档：

上面的脚本创建了一个可用于将内容写入PDF文件的对象。首先，我们将向这个对象添加一个页面，并将我们从另一个PDF中检索到的页面传递给它。

接下来，我们需要打开一个具有wb（写二进制）权限的新文件。打开具有此类权限的文件会创建一个新文件，如果文件不存在的话。

最后，我们需要在PDF编写对象上调用write()方法并将新创建的文件传递给它。

关闭mypdf和pdf_output_file文件，然后转到程序的工作目录。你应该在编辑器中看到一个新文件new_pdf_file.pdf。打开文件，你应该看到它包含来自原始PDF的第一页的内容。

让我们尝试阅读新创建的PDF文档的内容：

现在让我们使用一个更大的PDF文件。从以下链接下载PDF文件：

http://ctan.math.utah.edu/ctan/tex-archive/macros/latex/contrib/lipsum/lipsum.pdf

将其保存在本地目录中。下载文件的名称为“lipsum.pdf”。

执行以下脚本查看文件中的页数：

在输出中，你将看到打印出87，因为该PDF中有87页。让我们在控制台上打印文档中的所有页面：

在输出中，你将看到打印在屏幕上的PDF文档的所有页面。

结论

阅读和编写文本文档是开发自然语言处理应用程序的基本步骤。在本文中，我们解释了如何使用Python处理文本和PDF文件。我们看到了如何读写文本和PDF文件。在下一篇文章中，我们将开始讨论其他一些NLP任务，例如使用spaCy库进行词干化，词形还原化，标记化。

英文原文：https://stackabuse.com/python-for-nlp-working-with-text-and-pdf-files/
译者：狼行千里吃鸡