Python批量检索PDF关键词返回对应链接重复输出问题求助

核心问题原因 #

• 原代码遍历PDF内每个单词，每匹配到1次就打印1次链接，自然出现重复输出问题
• 存在冗余逻辑：已知下载文件名的前提下不需要用glob查找最新PDF，且内外层循环变量名都用i导致变量冲突，可能引发额外逻辑错误
• 原有代码仅支持单个关键词检索，不符合多关键词检索需求

修复后完整代码 #

import PyPDF2
import os

# 自定义要检索的多个关键词，可按需增删
search_words = ["organization", "替换为你要检索的其他关键词"]
# 本地PDF存储路径和你原有路径保持一致
pdf_save_path = "/Users/fze/"

for idx in range(g7.shape[0]):
    pdf_link = g7.iloc[idx, 0]
    # 下载PDF，用idx做文件名区分，避免和内层循环变量冲突
    download_file(pdf_link, f"pdf_{idx}")
    pdf_file_path = os.path.join(pdf_save_path, f"pdf_{idx}.PDF")
    
    # 初始化标记：当前PDF是否找到任意关键词
    found_flag = False
    # 可选：如果需要记录当前PDF匹配到的所有关键词可以用这个集合
    matched_keywords = set()
    
    # 读取PDF内容
    with open(pdf_file_path, 'rb') as f:
        pdf_reader = PyPDF2.PdfFileReader(f)
        num_pages = pdf_reader.getNumPages()
        
        # 遍历页面，只要找到关键词就中断遍历，节省性能
        for page_num in range(num_pages):
            if found_flag:
                break
            page = pdf_reader.getPage(page_num)
            text = page.extractText().lower()
            
            # 检查所有目标关键词
            for word in search_words:
                if word.lower() in text:
                    found_flag = True
                    matched_keywords.add(word)
                    break
    
    # 每个PDF最多仅输出一次结果
    if found_flag:
        # 基础输出格式，符合你要的效果
        print(f"关键词位于 *{pdf_link}*")
        # 如果需要显示匹配到的具体关键词，可以用下面的输出替换
        # print(f"关键词「{','.join(matched_keywords)}」位于 *{pdf_link}*")
    
    # 可选：处理完自动删除本地PDF，避免占用磁盘空间
    os.remove(pdf_file_path)

优化说明 #

• 新增found_flag标记位，每个PDF只要检测到任意关键词就只输出1次结果，彻底解决重复输出问题
• 修复了内外层循环变量重名的隐患，避免逻辑异常
• 支持多关键词批量检索，直接修改search_words列表即可
• 删掉了冗余的文件查找、重复读取逻辑，运行效率更高
• 找到关键词后直接中断后续页面遍历，减少不必要的性能消耗

内容的提问来源于stack exchange，提问作者Fatima El Mansouri