PDF转TXT ChatGPT编程

最新推荐文章于 2024-11-09 15:14:57 发布

无妄无望

最新推荐文章于 2024-11-09 15:14:57 发布

阅读量698

点赞数 3

文章标签： pdf

本文链接：https://blog.csdn.net/planttheson/article/details/137690442

版权

文章讲述了如何利用Python和ChatGPT的功能，通过编程将PDF文件转换为TXT格式，特别关注了如何处理PDF中的换行符和识别中文句号，以提供更好的阅读体验。

摘要由CSDN通过智能技术生成

1.目的

在Z-library找到一本书，只不过是PDF格式的，看的时候体验不好，还没有办法保存记录，就想着能不能转成txt格式放到手机自带的小说软件中看。
不想去网上找相关的软件，可以还需要付钱，所以尝试用ChatGPT来实现。

2.ChatGPT编程

提示词1：

我现在有一本书，格式是PDF的，需要把它转成TXT格式的，用python实现

生成代码

import PyPDF2

# 打开PDF文件
pdf_file = open('noteacher.pdf', 'rb')

# 创建一个PDF文件阅读器对象
pdf_reader = PyPDF2.PdfReader(pdf_file)

# 创建一个空字符串来存储文本内容
text = ''

# 遍历PDF页面并提取文本
for page_num in range(len(pdf_reader.pages)):
    page = pdf_reader.pages[page_num]
    text += page.extract_text()

# 关闭PDF文件
pdf_file.close()

# 将提取的文本内容写入TXT文件
with open('output_text_file.txt', 'w', encoding='utf-8') as txt_file:
    txt_file.write(text)

在上面的代码中，您需要将your_pdf_file.pdf替换为您要转换的PDF文件的路径。执行代码后，将生成一个名为output_text_file.txt的TXT文件，其中包含从PDF中提取的文本内容。

txt效果不太好，PDF格式转变时是按照一定数目符号来进行换行，所以观看效果很割裂

提示词2：

对于生成的txt文件，需要改变换行方式，先取消txt文件的换行，之后每识别到一个。才进行换行

生成代码

import PyPDF2

# 打开PDF文件
pdf_file = open('your_pdf_file.pdf', 'rb')

# 创建一个PDF文件阅读器对象
pdf_reader = PyPDF2.PdfReader(pdf_file)

# 创建一个空字符串来存储文本内容
text = ''

# 遍历PDF页面并提取文本
for page_num in range(len(pdf_reader.pages)):
    page = pdf_reader.pages[page_num]
    text += page.extract_text()

# 关闭PDF文件
pdf_file.close()

# 替换所有换行符为空白字符
text = text.replace('\n', ' ')

# 在每个识别到的换行符处手动添加换行符
final_text = ''
for char in text:
    if char == '\n':
        final_text += '\n'
    else:
        final_text += char

# 将提取的文本内容写入TXT文件
with open('output_text_file.txt', 'w', encoding='utf-8') as txt_file:
    txt_file.write(final_text)

此代码将先将所有的换行符替换为空白字符，然后在每个识别到的换行符处手动添加换行符，以满足您的需求。请替换your_pdf_file.pdf为您的PDF文件路径，并执行代码以生成TXT文件。

确实把换行符都换成了空白字符，但是并没有识别出“。”，也就没办法换行了

继续改进，提示词3：

识别到句号。这个符号才进行换行

生成代码

import PyPDF2

# 打开PDF文件
pdf_file = open('your_pdf_file.pdf', 'rb')

# 创建一个PDF文件阅读器对象
pdf_reader = PyPDF2.PdfReader(pdf_file)

# 创建一个空字符串来存储文本内容
text = ''

# 遍历PDF页面并提取文本
for page_num in range(len(pdf_reader.pages)):
    page = pdf_reader.pages[page_num]
    text += page.extract_text()

# 关闭PDF文件
pdf_file.close()

# 替换所有换行符为空白字符
text = text.replace('\n', ' ')

# 在识别到句号时添加换行符
final_text = ''
for char in text:
    final_text += char
    if char == '.':
        final_text += '\n'

# 将提取的文本内容写入TXT文件
with open('output_text_file.txt', 'w', encoding='utf-8') as txt_file:
    txt_file.write(final_text)

效果同样不好，检查了一下，代码中的句号是英文的句号“.”，但是PDF中是中文的句号“。”

将英文句号改成中文句号，代码为：

import PyPDF2

# 打开PDF文件
pdf_file = open('noteacher.pdf', 'rb')

# 创建一个PDF文件阅读器对象
pdf_reader = PyPDF2.PdfReader(pdf_file)

# 创建一个空字符串来存储文本内容
text = ''

# 遍历PDF页面并提取文本
for page_num in range(len(pdf_reader.pages)):
    page = pdf_reader.pages[page_num]
    text += page.extract_text()

# 关闭PDF文件
pdf_file.close()

# 替换所有换行符为空白字符
text = text.replace('\n', ' ')

# 在识别到句号时添加换行符
final_text = ''
for char in text:
    final_text += char
    if char == '。':
        final_text += '\n'

# 将提取的文本内容写入TXT文件
with open('output_text_file4.txt', 'w', encoding='utf-8') as txt_file:
    txt_file.write(final_text)

这个看起来还行