Python批量提取PDF文件中文本的脚本_Python

Python批量提取PDF文件中文本的脚本

2021-01-22 00:11董付国 Python

这篇文章主要为大家详细介绍了Python批量提取PDF文件中文本的脚本，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

本文实例为大家分享了Python批量提取PDF文件中文本的具体代码，供大家参考，具体内容如下

首先需要执行命令pip install pdfminer3k来安装处理PDF文件的扩展库。

									import os

									import sys

									import time

									pdfs = (pdfs for pdfs in os.listdir('.') if pdfs.endswith('.pdf'))

									for pdf1 in pdfs:

									 pdf = pdf1.replace(' ', '_').replace('-', '_').replace('&', '_')

									 os.rename(pdf1, pdf)

									 print('='*30)

									 print(pdf)

									 txt = pdf[:-4] + '.txt'

									 exe = '"' + sys.executable + '" "'

									 pdf2txt = os.path.dirname(sys.executable)

									 pdf2txt = pdf2txt + '\\scripts\\pdf2txt.py" -o '

									 try:

									 #调用命令行工具pdf2txt.py进行转换

									 #如果pdf加密过可以改写下面的代码

									 #在-o前面使用-P来指定密码

									 cmd = exe + pdf2txt + txt + ' ' + pdf

									 os.popen(cmd)

									 #转换需要一定时间，一般小文件2秒钟足够了

									 time.sleep(2)

									 #输出转换后的文本，前200个字符

									 with open(txt, encoding='utf8') as fp:

									  print(fp.read(200))

									 except:

									 pass