Python实现PDF转换为TXT

文章目录

一、环境配置
二、代码实现
三、代码实现结果

一、环境配置

在实现转换之前需要我们配置好相关环境配置：

如果您是Python3.X版本的话，需要安装pdfminer.six 第三方库

pip install pdfminer.six

如果您是Python2.X版本的话，需要安装pdfminer.six 第三方库

pip install pdfminer3k

方法一：如果您有pycharm这个软件，那么我们的环境配置就十分简单了

step1:点开【文件】----->选择【设置选项】

step2:进入【设置】后点开【项目】----->选择【Python解释器】，点击左上方的那个【+】号

step3:进入【+】后搜索您想要的【第三方库名称】，因为我的是Python3.x版本，所以需要选择pdfminer.six版本,然后点击【安装软件包】，就成功了。

方法二：去官网下载安装包，但是由于我这里没有使用，所以如果您需要的话可以自行去百度自取安装方法。

二、代码实现

import os
import re
from pdfminer.converter import LTChar, TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFTextExtractionNotAllowed
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LAParams, LTTextBox
from io import StringIO
from io import open# 读取pdf文件文本内容
def read(path):parser = PDFParser(path)doc = PDFDocument(parser, '')parser.set_document(doc)if not doc.is_extractable:raise PDFTextExtractionNotAllowedelse:# 创建PDf 资源管理器 来管理共享资源rsrcmgr = PDFResourceManager()# 创建一个PDF聚合器，包含资源管理器与参数分析器laparams = LAParams()device = PDFPageAggregator(rsrcmgr, laparams=laparams)# 创建一个PDF解释器对象interpreter = PDFPageInterpreter(rsrcmgr, device)# 循环遍历列表，每次处理一个page的内容page0 = ''for i, page in enumerate(PDFPage.create_pages(doc)):interpreter.process_page(page)print("START PAGE %d\n" % i)if page is not None:interpreter.process_page(page)print("END PAGE %d\n" % i)# 接受该页面的LTPage对象layout = device.get_result()print(layout)# 这里layout是一个LTPage对象，里面存放着这个 page 解析出的各种对象# 包括 LTTextBox, LTFigure, LTImage, LTTextBoxHorizontal 等line0 = ''for x in layout:if isinstance(x, LTTextBox):line0 = line0 + x.get_text().strip()page0 = page0 + line0return page0  # 返回pdf文件中所有提取到的文本内容if __name__ == '__main__':
#PDF文件所在的路径.注意：一定要将Python文件与PDF文件放在同一个目录内，否则代码不能成功运行path = 'C:\pycharm'     pdfList = os.listdir(path)# 批量读取存储pdf_num = 0for li in pdfList:try:pdffile = open(path + '/' + li, "rb")content = read(pdffile)except:continuestr = re.sub('.pdf', '.txt', li)#输出的TXT文件，生成out.txt文件file1 = 'out' + str  with open(file1, 'w+', encoding='utf8') as f:f.write(content)pdf_num = pdf_num + 1print("DONE:" + str)print('number of done-article:', end="")print(pdf_num)

三、代码实现结果

代码成功实现之后，会生成一个out.txt文件，里面就是提取PDF的内容。
（由于我这个之前已经提取过了，所以说它生成的是out1.txt文件）

Python实现PDF转换为TXT相关推荐

如何用python将pdf转换为txt、docx、excel
利用python的pdfplumber库可以实现转换,一些常用的方法 .extract_text() 用来提页面中的文本,将页面的所有字符对象整理为的那个字符串 .extract_words() 返回 ...
如何把pdf转换为txt文档，pdf转txt的好方法
如何把pdf转换为txt文档,pdf转txt的好方法.txt文档是每个电脑都自带的文字编辑工具.而pdf文件的缺点就是在于文件本身无法进行编辑.修改.当pdf文件中的内容产生错误时,就需要将pdf文件 ...
Word处理控件Aspose.Words功能演示：在 Python 中将 PDF 转换为 JPG
PDF文件以文档.发票.收据.文章等形式随处可见.它是打印和共享文档最方便的格式之一.在某些情况下,您必须将 PDF 文件转换为JPG图像以生成缩略图或嵌入到您的前端应用程序中.为此,本文介绍了如何在 ...
扫描的图片PDF转换为txt
虽然pdf文档在诺基亚E61上能看,不过,扫描的图片的pdf缩放貌似不管用,放大1000%还是看不清楚. 以下是我尝试把pdf转换为txt的过程: 1,扫描的pdf不能直接用转换工具转换为txt的,必 ...
Python解析pdf转为TXT格式
#完成pdf到TXT转变了,无法完成TXT到Excel转变import xlwt # 写入文件 import xlrd # 打开excel文件 from xlutils.copy import cop ...
如何使用Python将PDF转换为Word文档？
PDF是一种常用的文件格式,用于共享和打印文档.但是,在某些情况下,PDF 文件会转换为 Word DOCX或DOC格式以解析文本或使文档可编辑.对于此类场景,本文介绍了如何使用 Python 将 P ...
三招教您pdf转换为txt
在很多办公过程中,我们需要将PDF文件转换为TXT格式,从而提高工作效率.那么,为何要将PDF文件转换为TXT格式呢?首先,将PDF文件转换为TXT格式方便文本编辑和修改,PDF文件是一种静态文件格式 ...
pdf转换成html python,在Python中将pdf转换为html
Python 2.6 我试图解析我的pdf文件,其中一种方法是将其转换为html并提取标题和段落. 所以,我尝试了pdf2htmlEX,它将我的pdf转换成html格式,而不干扰我的pdf格式...到 ...
linux pdf to txt,PDF转换为TXT
手上有一批pdf的文件大约6万份需要转成txt,尝试了很多方法.列出来供参考: 1. 利用付费软件转换使用了迅捷PDF转换器,买了永久会员,该转换方法的好处是操作简单,缺点在于免费一次只能转5页,买 ...