Мне по работе необходимо довольно часто проверять все ли слова (которые содержат тег) есть в 2 документах. Для этого я написал небольшой парсер. Суть парсера в том что-бы находил слова имеющие теги сравнивал есть ли данные слова в двух документах и уникальные слова для обоих документов мне выдавал списком.
Парсер прекрасно работает если я использую один тег, а если пытаюсь несколько то парсер ничего не выдает.
Вот результаты с использованием 1 тега (тег=UPS):
Уникальные слова в первом PDF файле:
SNR-UPS-ONRT-100 (страница 5)
SNR-UPS-ONRT-100 (страница 6)
SNR-UPS-ONRT-100 (страница 7)
SNR-UPS-ONRT-100 (страница 8)
SNR-UPS-ONRT-100 (страница 9)
SNR-UPS-ONRT-200 (страница 4)
SNR-UPS-RK-CS (страница 5)
SNR-UPS-RK-CS (страница 6)
SNR-UPS-RK-CS (страница 7)
SNR-UPS-RK-CS (страница 9)
Уникальные слова во втором PDF файле:
1.UPS1.10 (страница 16)
1.UPS1.2 (страница 16)
2.UPS1.2 (страница 16)
3.UPS1.2 (страница 16)
4.UPS1.2 (страница 16)
5.UPS1.2 (страница 16)
SNR-UPS-ONRT-1000-S24 (страница 11)
SNR-UPS-ONRT-1000-S24 (страница 12)
SNR-UPS-ONRT-1000-S24 (страница 13)
SNR-UPS-ONRT-1000-S24 (страница 14)
SNR-UPS-ONRT-1000-S24 (страница 15)
SNR-UPS-ONRT-1000-S24 (страница 16)
SNR-UPS-ONRT-1000-S24 (страница 16)
SNR-UPS-ONRT-1000-S24 (страница 16)
SNR-UPS-ONRT-1000-S24 (страница 16)
SNR-UPS-ONRT-1000-S24 (страница 16)
SNR-UPS-ONRT-1000-S24 (страница 18)
SNR-UPS-ONRT-1000-S24 (страница 19)
SNR-UPS-ONRT-1000-S24 (страница 20)
SNR-UPS-ONRT-1000-S24 (страница 21)
SNR-UPS-ONRT-1000-S24 (страница 22)
SNR-UPS-ONRT-2000-E48 (страница 10)
SNR-UPS-ONRT-2000-E48 (страница 16)
SNR-UPS-ONRT-2000-E48 (страница 17)
UPS (страница 1)
Тут все работает корректно
Вот результаты с использованием 2-х тегов (теги=UPS, SW):
Уникальные слова в первом PDF файле:
Уникальные слова во втором PDF файле:
Вот код программы
import pdfplumber
import re
def extract_unique_words_with_tag(pdf_path, tags, remove_duplicates=False):
"""
Извлечение слов с тегом из PDF с указанием номера страницы.
Args:
pdf_path (str): Путь к PDF файлу.
tag (str): Тег, по которому фильтруются слова (например, 'BGB').
remove_duplicates (bool): Если True, удаляет дубли на всех страницах.
Returns:
list: Список кортежей (слово, номер страницы).
"""
try:
with pdfplumber.open(pdf_path) as pdf:
all_words_with_pages = []
for i, page in enumerate(pdf.pages):
text = page.extract_text()
if text:
lines = text.split("\n")
page_words = []
for line in lines:
words = line.split()
tagged_words = [
re.sub(r'[^a-zA-Z0-9\.\-]', '', word)
for word in words
if re.search(rf'\b\w*{tags}\w*\b', word)
]
page_words.extend([(word, i + 1) for word in tagged_words])
if remove_duplicates:
page_words = list(set(page_words))
all_words_with_pages.extend(page_words)
if remove_duplicates:
all_words_with_pages = list(set(all_words_with_pages))
unique_words_with_pages = sorted(all_words_with_pages, key=lambda x: (x[0], x[1]))
return unique_words_with_pages
except Exception as e:
print(f"[ERROR] Произошла ошибка: {e}")
return []
def find_unique_to_each_pdf(pdf_path1, pdf_path2, tags, remove_duplicates_for_pdf1=False, remove_duplicates_for_pdf2=False):
"""
Находит слова, уникальные для каждого PDF файла, с указанием номера страницы.
Args:
pdf_path1 (str): Путь к первому PDF файлу.
pdf_path2 (str): Путь ко второму PDF файлу.
tag (str): Тег для поиска.
remove_duplicates_for_pdf1 (bool): Если True, удаляет дубли в первом PDF.
remove_duplicates_for_pdf2 (bool): Если True, удаляет дубли во втором PDF.
Returns:
tuple: Два списка — слова с номерами страниц, уникальные для первого и второго PDF.
"""
unique_words_pdf1 = extract_unique_words_with_tag(pdf_path1, tags, remove_duplicates=remove_duplicates_for_pdf1) or []
unique_words_pdf2 = extract_unique_words_with_tag(pdf_path2, tags, remove_duplicates=remove_duplicates_for_pdf2) or []
words_only_pdf1 = set(word for word, _ in unique_words_pdf1)
words_only_pdf2 = set(word for word, _ in unique_words_pdf2)
unique_to_pdf1 = [(word, page) for word, page in unique_words_pdf1 if word not in words_only_pdf2]
unique_to_pdf2 = [(word, page) for word, page in unique_words_pdf2 if word not in words_only_pdf1]
return sorted(unique_to_pdf1), sorted(unique_to_pdf2)
