Python批量提取PDF文件中文本的脚本
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
来源:python小屋
以上是 Python批量提取PDF文件中文本的脚本 的全部内容, 来源链接: utcz.com/z/342365.html