PyPDF2讀取PDF文件內容保存到本地TXT實例
更新時間：2020年05月12日 14:56:02 作者：Luzaofa
這篇文章主要介紹了PyPDF2讀取PDF文件內容保存到本地TXT實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧
我就廢話不多說了，大家還是直接看代碼吧！
from PyPDF2.pdf import PdfFileReader
import pandas as pd
def Pdf_to_txt(pdf):
for i in range(0, pdf.getNumPages()):
title = []
lin1, lin2, lin3, lin4, lin5, lin6, lin7, lin8 = [], [], [], [], [], [], [], []
extractedText = pdf.getPage(i).extractText()
text = extractedText.split('\n')
num = 0
for lin in text:
if num == 0:
title.append(lin)
elif num == 1:
lin1.append(lin)
elif num == 2:
lin2.append(lin)
elif num == 3:
lin3.append(lin)
elif num == 4:
lin4.append(lin)
elif num == 5:
lin5.append(lin)
elif num == 6:
lin6.append(lin)
elif num == 7:
lin7.append(lin)
elif num == 8:
lin8.append(lin)
num = 0
num += 1
Lin_num = len(lin8)
data = {'Lin1': lin1[:Lin_num], 'Lin2': lin2[:Lin_num], 'Lin3': lin3[:Lin_num], 'Lin4': lin4[:Lin_num], 'Lin5': lin5[:Lin_num], 'Lin6': lin6[:Lin_num], 'Lin7': lin7[:Lin_num], 'Lin8': lin8[:Lin_num]}
df = pd.DataFrame(data, columns=['Lin1', 'Lin2', 'Lin3', 'Lin4', 'Lin5', 'Lin6', 'Lin7', 'Lin8'])
file_name = title[0] + '_page' + str((i + 1))
df.to_csv('tool/pdf解析/%s.txt' % file_name, index=False, sep='\t')
if __name__ == '__main__':
filename = 'E:/SVN/采集框架V2/analyse_code/政策/pdf/con026465.pdf'
pdf = PdfFileReader(open(filename, "rb"))
Pdf_to_txt(pdf)
補充知識：使用PyPDF2庫對pdf文件進行指定頁面刪除操作
平臺：win10家庭版，python 3.7，PyPDF2
思維過程：
方法一：將pdf文件通過拆分為單頁，放入一個文件夾，再刪除其中不要的文件，最后再把剩余的文件進行合并為一個pdf文件
第一步：使用原文件路徑創(chuàng)建新文件夾，用于存放拆分后的單頁文件
def newdir(self,path):
self.new = os.path.splitext(path)[0]
if not os.path.isdir(self.new): #使用os.path.isdir判斷文件夾是否存在，
os.mkdir(self.new)
第二步：生成單頁文件，并存放到新建的文件夾
def pdfsplt(self,path):
if os.path.isfile(path):
file_1 = open(path,"rb")
file_reader = PyPDF2.PdfFileReader(file_1, strict=False) #使用strict關閉錯誤提示
#使用for循環(huán)讀取每一頁并將其寫入新pdf文件，文件以頁碼命名
for page in range(0,file_reader.getNumPages()):
file_write = PyPDF2.PdfFileWriter()
pageobj = file_reader.getPage(page)
file_write.addPage(pageobj)
output = str(self.new) + "\\" + str(int(page+1)) + ".pdf"
with open(output,"wb") as output_pdf:
file_write.write(output_pdf)
file_1.close()
else:
print("文件不存在！")
time.sleep(3)
exit()
第三步：刪除文件夾中不要的文件
def pdfremove(self,number):
for pag in number:
filename = str(self.new) + "\\" + str(pag) + ".pdf"
if os.path.isfile(filename):
os.unlink(filename)
else:
print("請確認要刪除的頁碼%s是否正確??！"%pag)
第四步：把剩余文件合并為一個pdf文件
def pdfmerge(self):
file_list = [int(os.path.splitext(x)[0]) for x in os.listdir(self.new)] #讀取新建文件夾下的所有文件并提取文件名轉為數(shù)字
file_write = PyPDF2.PdfFileWriter() #先創(chuàng)建一個新的pdf對象
for page in sorted(file_list):
pathstr = str(self.new) + "\\" + str(page) + ".pdf"
file_1 = open(pathstr,"rb")
file_reader = PyPDF2.PdfFileReader(file_1, strict=False) # 使用strict關閉錯誤提示
pageobj = file_reader.getPage(0)
file_write.addPage(pageobj)
output = str(self.new) + "_new.pdf"
with open(output, "wb") as output_pdf:
file_write.write(output_pdf)
print("第%s頁完成"%page)
file_1.close()
第五步：刪除其中的緩存文件夾
def rmdir(self):
if os.path.isdir(self.new):
shutil.rmtree(self.new)
方法一的完整代碼：
import PyPDF2
import os,time,shutil,sys
import threading
class mypdf(object):
def __init__(self,path,number):
self.newdir(path)
self.pdfsplt(path)
self.pdfremove(number)
self.pdfmerge()
self.rmdir()
pass
#用于創(chuàng)建一個獨立的文件夾，存放緩存數(shù)據
def newdir(self,path):
self.new = os.path.splitext(path)[0]
if not os.path.isdir(self.new): #使用os.path.isdir判斷文件夾是否存在，
os.mkdir(self.new)
#將每一頁生成獨立文件，存放到緩存文件夾
def pdfsplt(self,path):
if os.path.isfile(path):
file_1 = open(path,"rb")
file_reader = PyPDF2.PdfFileReader(file_1, strict=False) #使用strict關閉錯誤提示
#使用for循環(huán)讀取每一頁并將其寫入新pdf文件，文件以頁碼命名
for page in range(0,file_reader.getNumPages()):
file_write = PyPDF2.PdfFileWriter()
pageobj = file_reader.getPage(page)
file_write.addPage(pageobj)
output = str(self.new) + "\\" + str(int(page+1)) + ".pdf"
with open(output,"wb") as output_pdf:
file_write.write(output_pdf)
file_1.close()
else:
print("文件不存在！")
time.sleep(3)
exit()
#刪除緩存文件夾中的不要的頁
def pdfremove(self,number):
for pag in number:
filename = str(self.new) + "\\" + str(pag) + ".pdf"
if os.path.isfile(filename):
os.unlink(filename)
else:
print("請確認要刪除的頁碼%s是否正確?。?%pag)
#將緩存文件夾中的剩余文件合進行合并
def pdfmerge(self):
file_list = [int(os.path.splitext(x)[0]) for x in os.listdir(self.new)] #讀取新建文件夾下的所有文件并提取文件名轉為數(shù)字
file_write = PyPDF2.PdfFileWriter() #先創(chuàng)建一個新的pdf對象
for page in sorted(file_list):
pathstr = str(self.new) + "\\" + str(page) + ".pdf"
file_1 = open(pathstr,"rb")
file_reader = PyPDF2.PdfFileReader(file_1, strict=False) # 使用strict關閉錯誤提示
pageobj = file_reader.getPage(0)
file_write.addPage(pageobj)
output = str(self.new) + "_new.pdf"
with open(output, "wb") as output_pdf:
file_write.write(output_pdf)
print("第%s頁完成"%page)
file_1.close()
def rmdir(self):
if os.path.isdir(self.new):
shutil.rmtree(self.new)
if __name__ == "__main__":
#通過第一個參數(shù)獲取待處理的文件，第二個參數(shù)到以后為刪除的頁碼
path = sys.argv[1]
number = sys.argv[2:]
mypdf = mypdf(path,number)
def f(path,number):
mypdf(path,number)
threading.Thread(target=f,args=[path,number])
方法二：在寫入新文件時使用if判斷進行篩選出不要的頁面
想法一、將讀取與寫入同時處理。使用if判斷篩選不要的頁面
def pdfsplt(self,path,number):
print(number,type(number))
if os.path.isfile(path):
file_1 = open(path,"rb")
file_reader = PyPDF2.PdfFileReader(file_1, strict=False) #使用strict關閉錯誤提示
file_write = PyPDF2.PdfFileWriter()
#使用for循環(huán)讀取每一頁并將其寫入新pdf文件，文件以頁碼命名
for page in range(0,file_reader.getNumPages()):
if page not in number:
pageobj = file_reader.getPage(page)
file_write.addPage(pageobj)
output = str(self.new) + "_new.pdf"
with open(output,"wb") as output_pdf:
file_write.write(output_pdf)
file_1.close()
else:
print("文件不存在！")
time.sleep(3)
exit()
想法二、將數(shù)據先全部放入內存，最后在寫入，來提高速度：
def pdfsplt(self,path,number):
print(number,type(number))
if os.path.isfile(path):
file_1 = open(path,"rb")
file_reader = PyPDF2.PdfFileReader(file_1, strict=False) #使用strict關閉錯誤提示
file_write = PyPDF2.PdfFileWriter()
#使用for循環(huán)讀取每一頁并將其寫入新pdf文件，文件以頁碼命名
for page in range(0,file_reader.getNumPages()):
if page not in number:
pageobj = file_reader.getPage(page)
file_write.addPage(pageobj)
output = str(self.new) + "_new.pdf"
with open(output,"wb") as output_pdf: #將內容全部放入內存，最后寫入，提高處理速度
file_write.write(output_pdf)
file_1.close()
else:
print("文件不存在！")
time.sleep(3)
exit()
方法二的完整代碼：
import PyPDF2
import os,time,shutil,sys
import threading
class mypdf(object):
def __init__(self,path,number):
self.new = os.path.splitext(path)[0] #獲取文件的路徑
self.pdfsplt(path,number)
pass
#循環(huán)每一頁讀入內存，最后寫入文件
def pdfsplt(self,path,number):
print(number,type(number))
if os.path.isfile(path):
file_1 = open(path,"rb")
file_reader = PyPDF2.PdfFileReader(file_1, strict=False) #使用strict關閉錯誤提示
file_write = PyPDF2.PdfFileWriter()
#使用for循環(huán)讀取每一頁并將其寫入新pdf文件，文件以頁碼命名
for page in range(0,file_reader.getNumPages()):
if page not in number:
pageobj = file_reader.getPage(page)
file_write.addPage(pageobj)
output = str(self.new) + "_new.pdf"
with open(output,"wb") as output_pdf: #將內容全部放入內存，最后寫入，提高處理速度
file_write.write(output_pdf)
file_1.close()
else:
print("文件不存在！")
time.sleep(3)
exit()
if __name__ == "__main__":
#通過第一個參數(shù)獲取待處理的文件，第二個參數(shù)到以后為刪除的頁碼
path = sys.argv[1]
number = sys.argv[2:]
number = list(map(int, number))
mypdf = mypdf(path,number)
def f(path,number):
mypdf(path,number)
threading.Thread(target=f,args=[path,number])
兩種方法的比較：
|
方法一 |
方法二中的第一種想法 |
方法二中的第二種想法 |
|
|
運行速度 |
慢 |
較慢 |
快 |
|
代碼量 |
65行 |
34行 |
34行 |
缺點：
方法一在處理掃描的pdf文件時，運行速度太慢，不能實現(xiàn)范圍性的刪除。
方法二不能實現(xiàn)范圍性的刪除
以上這篇PyPDF2讀取PDF文件內容保存到本地TXT實例就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持腳本之家。
您可能感興趣的文章:
- Python使用PyPDF2庫實現(xiàn)向PDF文件中插入內容
- Python利用PyPDF2庫實現(xiàn)輕松提取PDF文本
- Python使用PyPDF2?Pillow庫來將PDF文件轉圖片
- 解決pyPdf和pyPdf2在合并pdf時出現(xiàn)異常的問題
- Python實現(xiàn)PyPDF2處理PDF文件的方法示例
- Python中使用pypdf2合并、分割、加密pdf文件的代碼詳解
- Python使用pdfplumber庫高效解析PDF文件
- Python利用pdfplumber庫提取pdf中表格數(shù)據
- python用pdfplumber提取pdf表格數(shù)據并保存到excel文件中
- Python利用pdfplumber實現(xiàn)讀取PDF寫入Excel
- python使用PyPDF2 和 pdfplumber操作PDF文件
相關文章
pandas進行時間數(shù)據的轉換和計算時間差并提取年月日
這篇文章主要介紹了pandas進行時間數(shù)據的轉換和計算時間差并提取年月日，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2019-07-07
這篇文章主要介紹了Python列表1~n輸出步長為3的分組實例，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2022-05-05
詳解如何在pyqt中通過OpenCV實現(xiàn)對窗口的透視變換
這篇文章主要介紹了如何在pyqt中通過OpenCV實現(xiàn)對窗口的透視變換，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2020-09-09
對Python中DataFrame選擇某列值為XX的行實例詳解
今天小編就為大家分享一篇對Python中DataFrame選擇某列值為XX的行實例詳解，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-01-01
django之狀態(tài)保持-使用redis存儲session的例子
今天小編就為大家分享一篇django之狀態(tài)保持-使用redis存儲session的例子，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-07-07
這篇文章主要介紹了基于PyQt5完成的PDF拆分功能,本文介紹的pdf拆分功能還有一些待完善地方，例如可增加預覽功能，實現(xiàn)每頁預覽，以及如何實現(xiàn)多條件拆分，需要的朋友可以參考下2022-06-06
使用Python的SymPy庫解決數(shù)學運算問題的方法
這篇文章主要介紹了使用Python的SymPy庫解決數(shù)學運算問題的方法，小編覺得挺不錯的，現(xiàn)在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2019-03-03
Python+Selenium+Webdriver實現(xiàn)自動執(zhí)行微軟獎勵積分腳本
這篇文章主要為大家詳細介紹了如何利用Python+Selenium+Webdriver實現(xiàn)自動執(zhí)行微軟獎勵積分腳本，文中的示例代碼講解詳細，感興趣的小伙伴可以了解一下2023-02-02
Pytorch+PyG實現(xiàn)GraphSAGE過程示例詳解
這篇文章主要為大家介紹了Pytorch+PyG實現(xiàn)GraphSAGE過程示例詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪2023-04-04
這篇文章主要介紹了boost?python3依賴安裝,本文給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2021-12-12