提示：代碼圖片可以點擊全屏查看，雙指操作還可以放大縮小。
這是我的Python用於自然語言處理（NLP）系列文章的第一篇文章。在本文中，我們將從Python for NLP的基礎知識開始。我們將看到如何使用Python處理簡單的文本文件和PDF文件。
處理文本文件
文本文件可能是你在NLP工作中遇到的最基本類型的文件。在本節中，我們將瞭解如何用Python讀取文本文件，創建文本文件以及將數據寫入文本文件。
閱讀文本文件
使用以下文本創建一個文本文件，並使用“.txt”擴展名將其保存在本地目錄中。
在我的例子中，我將名為“myfile.txt”的文件存儲在我的D盤根目錄中。
閱讀文件的所有內容
現在讓我們看看我們如何閱讀文件的全部內容。第一步是指定文件的路徑，如下所示：
要打開文件，你可以使用Python的內置open函數。如果你執行上面的代碼並且沒有看到錯誤，則表示你的文件已成功打開。確保將文件路徑更改為保存文本文件的位置。
現在讓我們看看myfile變量中存儲了什麼：
輸出如下所示：
輸出顯示該myfile變量是myfile.txt文件的容器，並以只讀模式打開文件。
如果指定了錯誤的文件路徑，則可能會收到以下錯誤：
每當你得到Errno 2時，可能有兩個原因。你的文件不存在或者你給open函數提供了錯誤的文件路徑。
現在，讓我們讀一下該文件的內容。為此，你需要在myfile變量上調用read函數，如下所示：
在輸出中，你應該可以看到文件的文本，如下所示：
現在，如果你嘗試再次調用read，控制檯上將不會打印任何內容：
這是因為一旦調用該read方法，光標就會移動到文本的末尾。因此，當你再次調用read時，不會顯示任何內容，因為已經沒有更多要打印的文本了。
一個解決這個問題的方案就是在調用read方法之後，調用seek方法並使用0作為參數。
這會將光標移回文本文件的開頭。查看以下代碼以瞭解其工作原理：
在輸出中，你將看到文本內容被打印了兩次。
一旦完成文件處理後，關閉文件以便其他應用程序可以訪問顯得非常重要。為此，你需要調用close方法。
逐行讀取文件
我們也可以逐行讀取文件內容，而不是一次讀取文件的所有內容。為此，我們需要執行readlines方法，該方法可以將文本文件中的每一行作為列表項返回。
在輸出中，你將看到文本文件中的每一行都變為了列表項：
在多數情況下，這會使文本更容易相處。例如，我們現在可以輕鬆遍歷每一行並打印行中的第一個單詞。
輸出如下所示：
寫入文本文件
要寫入文本文件，只需在打開文件時將打開模式設置為w或w+。前者在寫入模式下打開文件，後者在讀取和寫入模式下打開文件。如果該文件不存在，則會創建該文件。值得一提的是，如果你以w或w+模式打開一個文件時，則將移除所有的文件內容，如下所示：
在輸出中，由於使用w+模式打開文件，因此屏幕上不會顯示任何內容，文件的所有內容都已被刪除。你可以附加文字來避免這種情況，我也會在下面提到。
現在，讓我們使用write方法在文件中寫一些內容。
在上面的腳本中，我們將文本寫入文件，然後調用seek方法將光標移回開始，然後調用read方法讀取文件的內容。在輸出中，你將看到新添加的內容，如下所示：
通常，你不需要刪除文件的現有內容。相反，你可能需要在文件末尾添加內容。
為此，你需要以a+模式打開文件，該模式能夠添加和讀取文件內容。
再次創建一個包含以下內容的文件，並在D盤根目錄中將其保存為“myfile.txt”：
執行以下腳本以使用添加模式打開文件：
在輸出中，你將看到文件的內容。
接下來，讓我們在文件中添加一些文本。
現在我們再次閱讀文件內容：
在輸出中，你將在文末看到新添加的行，如下所示：
最後，在繼續下一節之前，讓我們看看在執行所需操作後如何使用上下文管理器自動關閉文件。
使用with關鍵字，如上所示，你不需要明確關閉文件。相反，上面的腳本打開文件，讀取內容，然後自動關閉它。
處理PDF文件
除了文本文件，我們還經常需要使用PDF文件來執行不同的自然語言處理任務。默認情況下，Python沒有任何可用於讀取或寫入PDF文件的內置庫。但是我們可以使用PyPDF2庫。
在我們使用PyPDF2庫之前，需要安裝它。如果你使用pip安裝程序，則可以使用以下命令安裝PyPDF2庫：
或者，如果你使用的是Anaconda環境中的Python，則可以在conda命令提示符下執行以下命令：
注意：這裡需要提到的是PDF文檔可以從不同的來源創建，如word文檔，圖像等。在本文中，我們將只處理使用word文檔創建的PDF文檔。對於使用圖像創建的PDF文檔，還有其他專門的庫，我將在後面的文章中解釋。目前，我們只使用使用word文檔生成的PDF文檔。
作為可以使用的虛擬文檔，你可以從以下鏈接下載PDF：http://www.bavtailor.com/wp-content/uploads/2018/10/Lorem-Ipsum.pdf
將下載的文檔保存在D盤根目錄下。
閱讀PDF文檔
要閱讀PDF文檔，首先，我們必須要像其他普通文件一樣打開它。使用以下腳本：
值得一提的是，在打開PDF文件時，必須將模式設置為“讀取二進制”的rb模式，因為大多數PDF文件都是二進制格式。
打開文件後，我們需要調用PyPDF2庫中的PdfFileReader函數，如下所示：
現在使用pdf_document變量，我們可以執行各種讀取功能。例如，要獲取PDF文檔中的總頁數，我們可以使用以下numPages屬性：
由於我們只有一頁文檔，在我們的PDF文檔中，你將在結果中看到1。
最後，要從PDF文檔中提取文本，首先需要使用getPage函數獲取PDF文檔的頁面。
接下來，你可以調用extractText函數從特定頁面中提取文本。
以下腳本從PDF的第一頁中提取文本，然後將其打印在控制檯上。
在結果中，你應該看到PDF第一頁中的文本。
寫入PDF文檔
由於字體和其他約束，無法使用PyPDF2庫直接將Python字符串寫入PDF文檔。但是，為了演示，我們將從PDF文檔中讀取內容，然後將該內容寫入我們將創建的另一個PDF文件。
讓我們首先閱讀PDF文檔第一頁的內容。
上面的腳本讀取了我們PDF文檔的第一頁。現在，我們可以使用以下腳本將第一頁中的內容寫入新的PDF文檔：
上面的腳本創建了一個可用於將內容寫入PDF文件的對象。首先，我們將向這個對象添加一個頁面，並將我們從另一個PDF中檢索到的頁面傳遞給它。
接下來，我們需要打開一個具有wb（寫二進制）權限的新文件。打開具有此類權限的文件會創建一個新文件，如果文件不存在的話。
最後，我們需要在PDF編寫對象上調用write方法並將新創建的文件傳遞給它。
關閉mypdf和pdf_output_file文件，然後轉到程序的工作目錄。你應該在編輯器中看到一個新文件new_pdf_file.pdf。打開文件，你應該看到它包含來自原始PDF的第一頁的內容。
讓我們嘗試閱讀新創建的PDF文檔的內容：
現在讓我們使用一個更大的PDF文件。從以下鏈接下載PDF文件：
http://ctan.math.utah.edu/ctan/tex-archive/macros/latex/contrib/lipsum/lipsum.pdf
將其保存在本地目錄中。下載文件的名稱為“lipsum.pdf”。
執行以下腳本查看文件中的頁數：
在輸出中，你將看到打印出87，因為該PDF中有87頁。讓我們在控制檯上打印文檔中的所有頁面：
在輸出中，你將看到打印在屏幕上的PDF文檔的所有頁面。
結論
閱讀和編寫文本文檔是開發自然語言處理應用程序的基本步驟。在本文中，我們解釋瞭如何使用Python處理文本和PDF文件。我們看到了如何讀寫文本和PDF文件。在下一篇文章中，我們將開始討論其他一些NLP任務，例如使用spaCy庫進行詞幹化，詞形還原化，標記化。
英文原文：https://stackabuse.com/python-for-nlp-working-with-text-and-pdf-files/
譯者：狼行千里吃雞