crear un índice de los archivos pdf

Question

Duplicar posible:
How do I Index PDF files and search for keywords?

crear un índice de un archivo PDF.

Answer 1

Creo que se puede utilizar la biblioteca de Python para este pyPdf (http://pybrary.net/pyPdf/). Este código muestran los números de las páginas que incluyen la palabra deseada:

from pyPdf import PdfFileReader 

input = PdfFileReader(file("YourPDFFile.pdf", "rb")) 

numberOfPages = input.getNumPages() 

i = 1 
while i < numberOfPages: 
    oPage = input.getPage(i) 
    text = oPage.extractText() 
    text.encode('utf8', 'ignore') 
    if text.find('What are you looking for') != -1: 
     print i 
    i += 1 

Lo mismo pero trabajando con Python 3

from pyPdf import PdfFileReader 

input = PdfFileReader(open("YourPDFFile.pdf", "rb")) 

numberOfPages = input.getNumPages() 

i = 1 
while i < numberOfPages: 
    oPage = input.getPage(i) 
    text = oPage.extractText() 
    text.encode('utf8', 'ignore') 
    if text.find('What are you looking for') != -1: 
     print(i) 
    i += 1