概述

  • 批量提取pdf文本
  • 保存为txt文件

    程序步骤

    1.提取文本

    ```python

    pdf文本解析

    import pdfplumber

file_path = r’替换pdf文件路径’ #需要遍历的文件夹路径 pdf = pdfplumber.open(file_path) #打开pdf文件 pages = pdf.pages #获取pdf文件列表 text_all = []
for page in pages:
text = page.extract_text() #提取当前页面文本 text_all.append(text) #增加当前页面文本到列表中 text_all = ‘’.join(text_all) #把列表转成字符串 pdf.close()

  1. <a name="GVpmh"></a>
  2. ## 2.保存文本
  3. ```python
  4. with open("文本提取.txt",'a',encoding = 'utf-8')as text_file:
  5.     text_file.write(text_all)

3.批量提取

使用walk()函数遍历文件夹
遍历指定文件夹下的所有子文件夹及子文件夹里的所有文件信息。

  1. import os
  3. #遍历所有pdf文件
  4. file_dir = r'F:\Python\python 代码\pdf解析'   #需要遍历的文件夹路径
  5. file_list = []
  6. for files in os.walk(file_dir):  #遍历文件夹及其下的所有子文件夹
  7.     print(files)
  8.     for file in files[2]:
  9.         print(file)
  10.         if os .path.splitext(file)[1] =='.pdf' or os.path.splitext(file)[1] == '.PDF':
  11.             file_list.append(file_dir + '\\' +file)
  12. print(file_list)

全代码

  1. #pdf文本解析
  2. import pdfplumber
  3. import os
  5. #遍历所有pdf文件
  6. file_dir = r'C:\Users\luo\Desktop\pdf解析'   #需要遍历的文件夹路径
  7. file_list = []
  8. for files in os.walk(file_dir):  #遍历文件夹及其下的所有子文件夹
  9.     #print(files)
  11.     for file in files[2]:
  12.         #print(file)
  13.         if os .path.splitext(file)[1] =='.pdf' or os.path.splitext(file)[1] == '.PDF':
  14.             file_list.append(file_dir + '\\' +file)
  15. print(file_list)
  17. for file_path in file_list:
  19.     pdf = pdfplumber.open(file_path)    #打开pdf文件
  20.     pages = pdf.pages    #获取pdf文件列表
  21.     print(pages)
  23.     text_all = []     
  24.     for page in pages:     
  25.         text = page.extract_text()     #提取当前页面文本
  26.         text_all.append(text)          #增加当前页面文本到列表中
  27.     text_all = ''.join(text_all)  #把列表转成字符串
  28.     pdf.close()
  29.     print(text_all)
  31.     #保存文本内容为txt
  33.     with open("文本提取.txt",'a',encoding = 'utf-8')as text_file:
  34.         text_file.write(text_all)