import os
import codecs
import PyPDF2
import pdfplumber
def extract_content(pdf_path):
# 内容提取,使用 pdfplumber 打开 PDF,用于提取文本
with pdfplumber.open(pdf_path) as pdf_file:
# 使用 PyPDF2 打开 PDF 用于提取图片
pdf_image_reader = PyPDF2.PdfReader(open(pdf_path, "rb"))
#print(len(pdf_image_reader.pages) )
content = ''
# len(pdf.pages)为PDF文档页数,一页页解析
for i in range(len(pdf_file.pages)):
#print("当前第 %s 页" % i)
# pdf.pages[i] 是读取PDF文档第i+1页
page_text = pdf_file.pages[i]
# page.extract_text()函数即读取文本内容
page_content = page_text.extract_text()
if page_content:
content = content + page_content + "\n"
with open('content.txt', mode='w', encoding='utf-8') as f:
for i in content:
f.write(i)
f.close()
# 将文件中的文本读取出来并存入content.txt中
f = codecs.open('content.txt', mode='r', encoding='utf-8') # 打开txt文件,以‘utf-8'编码读取
line = f.readline() # 以行的形式进行读取文件
x = [] # 设置x数组
while line:
a = line.split('\r\n') # 每行数据分隔情况,此数据以“\r\n”分隔
b = a[0] # 选取需要读取的数据列数
x.append(b) # 将其添加在列表之中
line = f.readline()
f.close() # close文件
#print(x[9])
x1 = x[9] # 读取出x列表中第10个的内容
x2 = x[11]
with open('version.txt', mode='a', encoding='utf-8') as f: # 列表中第10个的内容可追加的写入version.txt中
for i in x1:
f.write(i)
f.write("\n")
f.close() # close文件
with open('password.txt', mode='a', encoding='utf-8') as f:
for i in x2:
f.write(i)
f.write("\n")
f.close() # close文件
def strip_suffix(filename):
return filename[:filename.rfind('.')]
# 遍历列表中的所有文件
def pdf_files(file_dir):
for file in file_dir:
if not os.path.isdir(file_dir):
print("usage: python3 csv.py csv_dirname out_putfile")
return []
list_csv = []
dir_list = os.listdir(file_dir)
for file in dir_list:
path = os.path.join(file_dir, file)
if os.path.splitext(path)[1] == '.pdf':
list_csv.append(path)
#print(list_csv)
return list_csv
if __name__ == '__main__':
file_dir = r'C:\Users\m1317\Desktop\allfiles' #pdf文件位置
pdf_files = pdf_files(file_dir)
for pdf_file in pdf_files:
extract_content(pdf_file)
python批量抓取多个pdf文件中固定位置字段
最新推荐文章于 2024-07-12 13:04:58 发布