【Python】读取PDF和Word文档

1.Python读取PDF文件

安装处理PDF模块

# 安装PyPDF2模块
pip install PyPDF2

提取PDF文本内容

import PyPDF2
pdfFileObj = open('meetingminutes.pdf', 'rb')
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
pdfReader.numPages
>>>19
pageObj = pdfReader.getPage(0)
pageObj = extractText()
>>> 'adfadflad\n'

2.Python处理Word文档

安装python-docx模块

pip install python-docx

读取Word文档内容

在python-docx中，使用了3中类型来表示文档的结构：

• Document：表示整个文档；
• Paragraph：表示文档中的段落；
• Run：一个Run对象是相同样式文本的延续；

import docx
doc = docx.Document('demo.docx')
len(doc.paragraphs)
>>> 7
doc.paragraphs[1].text
'aaaaaa bbbbbb ccccc'
len(doc.paragraphs[1].runs[0].text)
'aaaaaaa'

从docx中获取完整的文本

#! python3
import docx

def getText(filename):
	doc = docx.Document(filename)
	fullText = []
	for para in doc.paragraphs:
		fullText.append(para.text)
	return '\n'.join(fullText)

Reference:Python编程快速上手