基于Python Fitz的PDF工具：如何提取含关键词的完整句子

开发一款针对标准化法律文档（无图片、无特殊字符）的PDF内容提取工具，需求如下：

• 搜索指定关键词，返回包含该关键词的完整句子
• 根据提取的句子更新检查清单
  目前脚本仅能返回关键词所在页码，需优化以实现完整句子提取，推测可通过分隔符提取句号间内容。现有代码如下：

import fitz
import re 

search_word = ("x", "y", "z") 
results = {} 
docs = fitz.open("some_pdf.pdf")


for page in docs: 
     word = [w[4].lower() for w in page.get_text("word")]
     for sword in search_words: ###loops through search list###
          for word in words: ### a search word is part of a word on the page
               if sword in words: 
                    pages = results.get(sword, set()) ### gets a set of page numbers so far
                    page.add(page.number) ### adds a page number
                    resultsp[sword] = pages ### writes back to results

###REPORT OF RESULTS###
for word in results: 
     results = list(map(str, results[word])) ### returns set of page numbers 
     page_list = ",".join(results) ### adds a comma to separate page numeber 
     print("word '%s' occurs on pages %s. % (word, page_list))

###OUTPUT### 

word 'x' occurs on pages n, n+1, n+2 
word 'y' occurs on pages n, n+4, n+6  
word 'z' occurs on pages n+25, n+20

针对需求，对代码做以下优化：

• 直接获取整页文本而非拆分单词，便于后续按句子分割
• 使用正则表达式匹配包含关键词的完整句子（适配法律文档以句号结尾的标准化格式）
• 重构结果存储结构，同时记录关键词所在页码及对应句子
• 优化输出格式，清晰展示关键词、页码及匹配到的句子

优化后的完整代码：

import fitz
import re

# 定义要搜索的关键词
search_words = ("x", "y", "z")
# 重构结果存储结构：{关键词: {页码: [句子列表]}}
results = {word: {} for word in search_words}
docs = fitz.open("some_pdf.pdf")

for page in docs:
    page_num = page.number + 1  # 页码从1开始更符合阅读习惯
    # 获取整页文本，处理换行符统一为空格
    page_text = page.get_text().replace("\n", " ").strip()
    # 遍历每个关键词
    for sword in search_words:
        # 正则匹配包含关键词的完整句子：匹配前一个句号（或文本开头）到后一个句号之间的内容
        # 用re.escape处理关键词，避免特殊字符干扰；启用IGNORECASE忽略大小写
        pattern = re.compile(r'(?:^|\. )(.*?{}.*?)(?=\. |$)'.format(re.escape(sword)), re.IGNORECASE)
        matches = pattern.findall(page_text)
        if matches:
            # 如果该页码未在当前关键词的结果中，初始化列表
            if page_num not in results[sword]:
                results[sword][page_num] = []
            # 去重后添加匹配到的句子
            unique_sentences = list(set(matches))
            results[sword][page_num].extend(unique_sentences)

# 输出结果
for word in results:
    print(f"关键词 '{word}' 的匹配结果：")
    if not results[word]:
        print("  无匹配内容\n")
        continue
    for page_num, sentences in results[word].items():
        print(f"  页码 {page_num}:")
        for idx, sentence in enumerate(sentences, 1):
            # 还原句子完整格式：开头大写+结尾补句号
            full_sentence = f"{sentence.strip().capitalize()}."
            print(f"    {idx}. {full_sentence}")
    print()

1. 文本获取：使用page.get_text()获取整页文本，替换换行符为空格，避免因换行导致句子拆分
2. 正则匹配：
   • 用re.escape()处理关键词，避免特殊字符干扰正则匹配
   • 匹配规则：从文本开头或句号+空格开始，到下一个句号+空格或文本结尾结束，确保提取完整句子
   • 启用re.IGNORECASE忽略大小写，适配文档中关键词的不同大小写形式
3. 结果存储：用嵌套字典存储，键为关键词，值为{页码: 句子列表}，便于后续更新检查清单
4. 结果输出：按关键词、页码、句子的层级展示，同时还原句子的完整格式

内容的提问来源于stack exchange，提问作者Ravi Thehidden