背景：想从众多年报中获取关键词信息（表格）

希望达到：用代码扣下如下图示的（含有关键词：XX）的表格。

已经尝试过的方法：1.将pdf转为txt格式，再按行筛选关键词。

问题：由于格式转换导致表格格式信息丢失，一句话会被分割在好几行，因此无法扣下完整的句子。（如下图所示）

import re
import os

filePath = 'D:/XML/reporttxt'
namelist=os.listdir(filePath)   #获取文件名
j=0
while(j<len(namelist)):          #遍历多个文件（pdf）

    f = open('D:/XML/reporttxt/'+namelist[j],encoding='utf-8')
    ff= open('D:/XML/reporttxtlast/'+namelist[j],"w+")
    j=j+1
    i=0
    lines=f.readlines()     #遍历每一行
    while(i<len(lines)):
        line=(str)(lines[i])
        res=re.search(r'保本',line)    #匹配关键词
        res2=re.search(r'理财',line)
        i=i+1
        if(res!=None):      #如果匹配到了关键词，则把整行写入新txt文件
            #print(line)
            ff.write(line)
        elif(res2!=None):
            ff.write(line)
    f.close()
    ff.close()

已经尝试过的方法：2.将从word格式用docx库进行tables的遍历。把含有关键词的表格，按格子顺序写入txt，以达到获取格子内完整句子的目的。

问题：写入txt的内容不会漏信息，但会失去表格的格式，再加上每个格子里本身就会带有很多换行符，导致可读性很差

import re
import os
from docx import Document

filePath = 'D:/XML/reportword'
namelist=os.listdir(filePath)
doc=Document('D:/XML/reportword/'+namelist[0])   #读取的word文件
fff= open('D:/XML/reporttxtlast/'+namelist[0].rstrip(".docx")+'yoyo.txt',"w+")     #扣下来的信息放入这个txt文件

for k in range(0,len(doc.tables),1):
    table=doc.tables[k]
    good=False    #false代表没有在这个表格里发现关键词，true则有
    chart=[[0 for col in range(len(table.rows[0].cells))] for row in range(len(table.rows))]            #初始化chart用来放置表格里的文字
    for m in range(0,len(table.rows),1):     #每一行
        row=table.rows[m]
        for n in range(0,len(row.cells),1):     #行中的每一格
            cell=row.cells[n]
            chart[m][n]=str(cell.text)      

            chart[m][n]=chart[m][n].strip("\n").strip('\n')   #去除换行符（问题！？？这一步还是会遗留一些\n除不干净，不懂为啥）

            if (re.search(r'受托机构',cell.text)!=None):    #匹配到关键词
                good=True

    if(good):     关键词匹配成功，把当下的表格写入txt（问题！？？不知道怎么写入txt能保留原本表格的样式）

        for m in chart:
            for n in m:     
                print(n)
                fff.write(n) 
fff.close()            

寻找各路代码神仙中。。。。。。。。。。。。。。。。。。

https://www.cnblogs.com/funnyzpc/archive/2017/07/29/7225988.html
https://download.csdn.net/download/z337660589/4246353
用java有一堆的解决方案。