如何在多份PDF文档中忽略大小写搜索指定关键词？

云原生阿岚

2026-7-31

修改代码实现PDF关键词大小写不敏感搜索

你的代码要实现大小写不敏感匹配，核心是给正则搜索添加忽略大小写的标志，同时还要修复代码里的缩进错误。以下是修改后的完整代码：

# import packages
import PyPDF2
import re
import os, sys

dirs_list=[]
for root, dirs, files in os.walk(".", topdown=False):
    for name in dirs:
        dirs_list.append(dirs)

dirs_list=dirs_list[-1]
dirs_list.pop(0)
# print(dirs_list)

for k in dirs_list:
    # 修复缩进：这部分需放在循环内部
    data_names=os.listdir(k)
    data_names.pop(0)

    for j in data_names:
        # open the pdf file
        reader = PyPDF2.PdfReader(os.path.join(k, j))

        # define key terms
        strings = ['Lineare Gleichungen','Quadratische Gleichungen']
        total=len(strings)

        counter=0
        # extract text and do the search
        for page in reader.pages:
            text = page.extract_text()
            # 提前提取文本，避免重复调用提升效率
            if not text:
                continue  # 跳过无文本的页面
            for i in strings:
                # 添加re.IGNORECASE实现大小写不敏感匹配
                res_search = re.search(i, text, re.IGNORECASE)
                if res_search is not None:
                    counter+=1
    
    print(j, counter/total)

关键修改点说明：

大小写不敏感匹配：在re.search(i, text, re.IGNORECASE)中加入re.IGNORECASE（可简写为re.I），正则引擎会忽略关键词和文本的大小写差异，比如Lineare Gleichungen能匹配lineare gleichungen、LINEARE GLEICHUNGEN等任意大小写组合。
修复缩进错误：原代码中data_names=os.listdir(k)一行未缩进，导致语法错误，现在调整到for k in dirs_list:循环内部。
优化文本提取：把text = page.extract_text()移到关键词循环外层，避免重复提取页面文本；同时增加判断，跳过未提取到文本的页面。