Python解析pdf转为TXT格式

最新推荐文章于 2024-09-20 20:00:47 发布

湾区人工智能

最新推荐文章于 2024-09-20 20:00:47 发布

阅读量1.9k

点赞数 1

分类专栏： python项目

python项目专栏收录该内容

26 篇文章 1 订阅

订阅专栏

本文介绍了一种将PDF文件转换为TXT格式的方法，并分享了实际代码实现。通过使用pdfminer库，文章详细展示了如何解析PDF文档并提取文本内容，最后保存为TXT文件。然而，文章也提到了在转换过程中遇到的问题，即TXT文件格式可能需要进一步调整才能满足特定需求。

摘要由CSDN通过智能技术生成


#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 copy

import os
import re
import sys
import importlib
import threading

importlib.reload(sys)
from pdfminer.pdfparser import PDFParser, PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LTTextBoxHorizontal, LAParams
from pdfminer.pdfinterp import PDFTextExtractionNotAllowed

import logging

# 解析PDF文件，转为txt格式
def parsePDF(PDF_path, TXT_path):
    with open(PDF_path, 'rb')as fp:  # 以二进制读模式打开
        praser = PDFParser(fp)  # 用文件对象来创建一个pdf文档分析器
        doc = PDFDocument()  # 创建一个PDF文档
        praser.set_document(doc)  # 连接分析器与文档对象
        doc.set_parser(praser)

        # 提供初始化密码
        # 如果没有密码 就创建一个空的字符串
        doc.initialize()

        # 检测文档是否提供txt转换，不提供就忽略
        if not doc.is_extractable:
            raise PDFTextExtractionNotAllowed
        else:
            rsrcmgr = PDFResourceManager()  # 创建PDf 资源管理器 来管理共享资源
            laparams = LAParams()  # 创建一个PDF设备对象
            device = PDFPageAggregator(rsrcmgr, laparams=laparams)
            interpreter = PDFPageInterpreter(rsrcmgr, device)  # 创建一个PDF解释器对象

            # 循环遍历列表，每次处理一个page的内容
            for page in doc.get_pages():  # doc.get_pages() 获取page列表
                interpreter.process_page(page)
                layout = device.get_result()  # 接受该页面的LTPage对象
                # 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 一般包括LTTextBox, LTFigure, LTImage, LTTextBoxHorizontal 等等 想要获取文本就获得对象的text属性，
                for x in layout:
                    #print(x)
                    if isinstance(x, LTTextBoxHorizontal):
                        with open(TXT_path, 'a', encoding='UTF-8', errors='ignore') as f:
                            results = x.get_text()
                            #print(results)
                            f.write(results + '\n')
PDF_path = '/Users/apple/Documents/ST/python/简历.pdf'


TXT_path = '/Users/apple/Documents/ST/python/简历.txt'

parsePDF(PDF_path, TXT_path)

解析后格式不对，需要调整