用Python将PDF格式转为txt格式文本

我们的工作内容是对上市公司的定期公告进行分析​。

其中一环节是对大量的pdf格式的文件进行文本处理​。

此次的示例，是随机选中的文本内容，共计344个pdf格式文件。

分析过程中对图片图表的需求并不大，将pdf批量转换成txt文本内容已经满足。如果考虑格式以及图片的读取，可以使用Python将pdf转csv、Word​。

使用Python调用pdfplumber库，将将PDF格式转为txt格式文本。

首先安装pdfplumber库：

pip install pdfplumber

使用以下Python脚本来遍历指定文件夹中的所有PDF文件，将它们转换为TXT格式，并保存在一个新的文件夹：

import osimport pdfplumber​# 源文件夹路径source_folder = "D:\\daku\\东鹏\\pdf"# 目标文件夹路径，用于保存TXT文件target_folder = "D:\\daku\\东鹏\\txt_exports"​# 如果目标文件夹不存在，则创建它if not os.path.exists(target_folder):    os.makedirs(target_folder)​# 遍历源文件夹中的所有文件for filename in os.listdir(source_folder):    if filename.endswith(".pdf"):        # 构建完整的文件路径        file_path = os.path.join(source_folder, filename)​        # 使用pdfplumber打开PDF文件        with pdfplumber.open(file_path) as pdf:            # 初始化一个空字符串来保存文本内容            text = ""​            # 遍历PDF中的每一页            for page in pdf.pages:                # 提取页面的文本并添加到text变量中                text += page.extract_text()                text += "\n\n"  # 添加换行符以分隔不同页面的内容​        # 构建目标TXT文件的路径，文件名保持不变，只是扩展名改为.txt        txt_file_path = os.path.join(target_folder, filename.replace(".pdf", ".txt"))​        # 将文本内容写入TXT文件        with open(txt_file_path, "w", encoding="utf-8") as txt_file:            txt_file.write(text)​        print(f"已转换文件: {filename} -> {txt_file_path}")

​

344个pdf文件很迅速就可以转为txt文本

工作导向不同，工作流程会存在差异，需要读取pdf文件中的图片，相关Python库可以使用将图像中的文字识别为文本进行导出​。