背景需求

继续教育人工智能的总评分都大于80分，我准备继续考上海市继续教育外语水平考试。

据说考试难度与大学英语四级差不多，所以我需要CET4的资料

虽然提到了免费下载，但是实际上网站上没有什么免费的。

我决定先下载4500的词汇

词汇就在考纲里里面

第21页到149页都是词表

但是只有英文，没有中文，我看不懂单词的含义

我需要把4500单词提取出来

 

 

'''
从PDF提取上大学英语四六级的词汇表
deepseek 阿夏
20260204
'''
import pdfplumber
from docx import Document

# -------------------------- 配置参数（请根据你的情况修改这里）--------------------------
path=r'C:\Users\jg2yXRZ\OneDrive\桌面\外语\02四六级\01 词汇表'
PDF_FILE_PATH =path+r"\01《全国大学英语四、六级考试大纲（2016年修订版）》.pdf"          # 你的PDF文件路径（如果和脚本不在同一文件夹，需写完整路径）
DOCX_SAVE_PATH =path+r"\大学四级英语词汇.docx"   # 生成的Word文档保存路径和名称
START_PAGE = 20                # 起始页码
END_PAGE = 150                    # 结束页码
# -------------------------------------------------------------------------------------

# 创建一个新的Word文档对象
doc = Document()

try:
    # 打开PDF文件
    with pdfplumber.open(PDF_FILE_PATH) as pdf:
        print(f"PDF总页数: {len(pdf.pages)}")
        
        # 检查页码范围是否有效
        if START_PAGE < 1 or END_PAGE > len(pdf.pages) or START_PAGE > END_PAGE:
            print(f"错误：请检查页码设置。PDF共{len(pdf.pages)}页。")
        else:
            print(f"正在提取第 {START_PAGE} 页至第 {END_PAGE} 页的内容...")
            
            # 遍历指定页码范围
            # pdfplumber的页码是从0开始索引的，所以要减1
            for page_num in range(START_PAGE - 1, END_PAGE):
                page = pdf.pages[page_num]
                # 提取当前页的文本
                text = page.extract_text()
                
                if text:
                    # 将文本添加到Word文档中
                    doc.add_paragraph(text)
                    # 可选：每页之间添加一个分页符，保持格式清晰
                    doc.add_page_break()
                    print(f"已完成第 {page_num + 1} 页")
                else:
                    print(f"第 {page_num + 1} 页无文本内容或无法提取")

    # 保存Word文档
    doc.save(DOCX_SAVE_PATH)
    print(f"\n转换完成！文件已保存至: {DOCX_SAVE_PATH}")

except FileNotFoundError:
    print(f"错误：未找到文件 '{PDF_FILE_PATH}'，请检查文件路径是否正确。")
except Exception as e:
    print(f"处理过程中发生错误: {e}")

 

修改1：手动换行符改成回车符

修改2：选择空格替换位回车符

修改3：“星号回车”变成“星号”

修改4：检查是发现有一个G，实际就是“-”

所以要替换

3栏显示

现在只有英文，我需要中文、词性

因为我要复制表格形式到excel，所以必须用deepseek

生成大约5页的内容，然后就要点继续才能生成

太多了，最后达到上限了，

换一个新的页面重新生成

全选表格

说4500词汇，但是又多种形态变化，所以一共又7895个

 

就是感觉太多页了，考虑要不要打印