Webサイトをpdfにし、pdfから前株と後ろ株の会社名検索、検索dataをCSVに保存

いるもん

code

☺️

import pdfplumber
import pandas as pd
import re

# PDFファイルからテキストを抽出
def extract_text_from_pdf(pdf_path):
    text = ""
    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            text += page.extract_text()  # ページからテキストを抽出
    return text


# 「株式会社」を含む会社名を抽出
def extract_companies(text):
    pattern = r"株式会社[\w一-龯々〆〤]+|[\w一-龯々〆〤]+株式会社"  
    # 前株と後かぶ を取得
    companies = re.findall(pattern, text)
    return list(set(companies))

# 使いたいPDF
pdf_paths = [
    "/Users/chomechomesuke/Desktop/indeed.pdf",
    "/Users/chomechomesuke/Desktop/indeed2.pdf",
]

results = []

# PDFから抽出したデータをcsvに保存
for pdf_path in pdf_paths:
    text = extract_text_from_pdf(pdf_path)
    if not text:
        print(f" No text  {pdf_path}")
    else:
        print(f" {text[:300]}...")  
        # 最初の300文字を表示

    companies = extract_companies(text)
    print(f"Data: {companies}")

    for company in companies:
        results.append({"company_name": company})

# 結果をCSVに保存
if results:
    output_file = "search_results.csv"
    df = pd.DataFrame(results)
    df.to_csv(output_file, index=False, encoding="utf-8")
    print(f"保存成功")
else:
    print("めよら")

# CSVから読み込む
df = pd.read_csv(output_file)

# 部分一致の抽出（正規表現も使用可能）
partial_match = df[df['company_name'].str.contains('検索したいキーワード', na=False)]

print(partial_match)

解説

1️⃣ PDFからテキスト取り出す
def extract_text_from_pdf関数 定義

最初に、から配列用意

text = ""

PDFファイル開けて

with pdfplumber.open(pdf_path) as pdf:

PDFから、テキスト取り出す

for page in pdf.pages:
    text += page.extract_text()
return text

2️⃣ PDFから、前株と後かぶ 取得
def extract_companies関数 定義

PDFから、テキスト取り出す

    # 前株と後かぶ を取得
    pattern = r"株式会社[\w一-龯々〆〤]+|[\w一-龯々〆〤]+株式会社"  
    
    companies = re.findall(pattern, text)
    
    return list(set(companies))

3️⃣ 定義した変数を呼び出し、データを出力 & CSV保存
pdf_path in pdf_paths:関数

定義した変数呼び出し、指定条件でデータ出力

    text = extract_text_from_pdf(pdf_path)

    companies = extract_companies(text)

    for company in companies:
        results.append({"company_name": company})

pandaでcsv　保存

    output_file = "search_results.csv"
    
    df = pd.DataFrame(results)
    
    df.to_csv(output_file, index=False, encoding="utf-8")

デバッグ

1️⃣データcsv保存⭕️ : "成功"、
保存❌ : "めよら"と表示

if results:
    output_file = "search_results.csv"
    df = pd.DataFrame(results)
    df.to_csv(output_file, index=False, encoding="utf-8")
    print(f"成功")
else:
    print("めよら")

2️⃣データPDFから取り出し⭕️ : 結果表示
保存❌ : "めよら"と表示

text = extract_text_from_pdf(pdf_path)
    if not text:
        print(f" めよら  {pdf_path}")
    else:
        print(f" {text[:300]}...") 

3️⃣ 前株と後ろ株のデータ取得できてるか、変数の中身確認

companies = extract_companies(text)
    print(f"Data: {companies}")