PDF查询脚本

使用场景为PDF有上千页，如果使用Wps去搜索关键字需要搜索很久并且一次只能搜索单一关键字，这样就导致需要大量时间去搜索所以有了这个脚本

该脚本使用Python编写 实现如下功能：

1：可以对PDF进行多线程搜索）

2：可以指定需要搜索的关键词和搜索的起始页和终止页

3：关键词支持正则表达式

4：将搜索结果输出在txt文本中包含关键词所在的页数以及页码有多少个关键词

import re
import logging
import argparse
from concurrent.futures import ThreadPoolExecutor
from PyPDF2 import PdfReader

def search_page(page_num, text, patterns, file_logger):
    """
    在指定的页中搜索多个正则表达式模式，
    搜索完成后记录日志。如果匹配到则返回页码和匹配到的关键词列表。
    """
    matches = {}
    for pattern in patterns:
        found = re.findall(pattern, text)
        if found:
            matches[pattern] = found
    # 输出搜索结果
    if matches:
        logging.info(f"Page {page_num}: found {matches}")
        file_logger.info(f"Page {page_num}: found {matches}")
    else:
        logging.info(f"Page {page_num}: no matches")
    # 无论是否匹配，都记录搜索完成
    logging.info(f"Page {page_num} search complete.")
    return (page_num, matches)

def main():
    # 配置命令行参数：--max-threads 用于指定线程数
    parser = argparse.ArgumentParser(description="多线程PDF搜索工具")
    parser.add_argument('--max-threads', type=int, default=16,
                        help="指定线程池中线程数量，默认为16")
    args = parser.parse_args()

    # 配置控制台日志
    logging.basicConfig(level=logging.INFO,
                        format='%(asctime)s - %(levelname)s - %(message)s',
                        datefmt='%Y-%m-%d %H:%M:%S')
    
    # 配置文件日志处理器，仅记录匹配结果
    file_handler = logging.FileHandler("search_results.txt", mode="w", encoding="utf-8")
    file_handler.setLevel(logging.INFO)
    file_formatter = logging.Formatter('%(asctime)s - %(message)s')
    file_handler.setFormatter(file_formatter)
    
    # 创建一个专门用于文件输出的logger
    file_logger = logging.getLogger('file_logger')
    file_logger.addHandler(file_handler)
    file_logger.setLevel(logging.INFO)
    
    pdf_path = r"C:\Users\xiaoqi\Desktop\东莞\pingyin-2025318\王雄鑫_1741767720\王雄鑫_取证分析报告.pdf"  # 替换为实际PDF路径
    reader = PdfReader(pdf_path)
    total_pages = len(reader.pages)
    
    # 指定搜索的页码范围（285 到 62874页）
    start_page = 285
    end_page = 62874
    if end_page > total_pages:
        end_page = total_pages
        logging.info(f"实际PDF总页数为 {total_pages}，调整搜索结束页为 {total_pages}")
    
    # 定义需要搜索的正则表达式模式
    patterns = [r"1759451979",r"1600447240",r"1606368439",r"744515677",r"1940126284",r"1826651681",r"1512955818",r"1398621025",r"296510430",r"602816590",r"1054632180",r"1148498244",r"1707546403",r"1258714239"
                ,r"1464245278",r"1805230931",r"1432671151",r"546487116",r"1922002443",r"1280362250",r"^1[3-9]\d{9}$"]
    
    results = []
    with ThreadPoolExecutor(max_workers=args.max_threads) as executor:
        futures = []
        # 提交任务，注意页码从 start_page 到 end_page
        for i in range(start_page - 1, end_page):
            page = reader.pages[i]
            text = page.extract_text() or ""
            futures.append(executor.submit(search_page, i+1, text, patterns, file_logger))
        
        # 按完成顺序收集结果（这里仅做汇总，不影响即时日志输出）
        for future in futures:
            page_num, match_dict = future.result()
            if match_dict:
                results.append((page_num, match_dict))
    
    # 输出匹配结果到控制台
    for page_num, match_dict in results:
        print(f"第 {page_num} 页匹配到:")
        for pattern, found_list in match_dict.items():
            print(f"  模式 '{pattern}' 匹配结果: {found_list}")

if __name__ == '__main__':
    main()