期刊论文PDF分栏转TXT工具 - 一个简单的Python GUI应用

期刊论文PDF分栏转TXT工具 - 一个简单的Python GUI应用

在科学研究中，阅读和处理大量的期刊论文是一个常见的任务。然而，有时候我们需要将PDF格式的论文转换为可供文本分析和处理的TXT格式。为了解决这个问题，我编写了一个名为“期刊论文PDF分栏转TXT工具”的Python GUI应用。

程序功能

这个工具可以将选择的PDF文件夹中的所有期刊论文逐个转换为TXT文件。每个PDF文件都将先转换为HTML格式，然后使用Beautifulsoup库将HTML文件解析为TXT文件。以下是工具的主要功能：

• 选择要转换的PDF文件夹。
• 自动创建存储转换后HTML文件的文件夹。
• 自动创建存储转换后TXT文件的文件夹。
• 显示转换进度条，以便用户了解转换的进展。
• 转换完成后，弹出消息框提示用户转换已完成，并自动打开存储TXT文件的文件夹。
  
  
  
  
  

代码解析

让我们一起来看看实现这些功能的Python代码：

import os
import fitz
from tqdm import tqdm
from bs4 import BeautifulSoup
import re
import tkinter as tk
from tkinter import filedialog
from tkinter import messagebox
import tkinter.ttk as ttk

# 省略部分代码...

在上述代码中，我们导入了一些需要使用的Python库。os库用于文件和文件夹操作，fitz库用于处理PDF文件，tqdm库用于创建进度条，BeautifulSoup库用于解析HTML文件，re库用于正则表达式操作，tkinter库用于创建GUI窗口和对话框，ttk模块用于创建进度条部件。

def pdf2html(input_path, html_path):
    doc = fitz.open(input_path)
    html_content = ''
    for page in tqdm(doc, desc='Converting PDF'):
        html_content += page.get_text('html')
    html_content += "</body></html>"
    with open(html_path, 'w', encoding='utf-8', newline='') as fp:
        fp.write(html_content)


def html2txt(html_path, txt_path):
    html_file = open(html_path, 'r', encoding='utf-8')
    htmlhandle = html_file.read()
    soup = BeautifulSoup(htmlhandle, "html.parser")
    for div in soup.find_all('div'):
        for p in div:
            text = str()
            for span in p:
                p_info = '<span .*?>(.*?)</span>'   # 提取规则
                res = re.findall(p_info, str(span))  # findall函数
                if len(res) == 0:
                    pass
                else:
                    text += res[0]
            with open(txt_path, 'a', encoding='utf-8') as text_file:
                text_file.write(text)
                text_file.write('\n')


def convert_files():
    folder_path = filedialog.askdirectory(title='选择PDF文件夹')
    if folder_path:
        pdf_folder = folder_path
        parent_folder = os.path.dirname(pdf_folder)
        html_folder = os.path.join(parent_folder, 'html_files')
        txt_folder = os.path.join(parent_folder, 'txt_files')

        if not os.path.exists(html_folder):
            os.makedirs(html_folder)

        if not os.path.exists(txt_folder):
            os.makedirs(txt_folder)

        pdf_files = [file for file in os.listdir(pdf_folder) if file.endswith('.pdf')]

        progress_bar['maximum'] = len(pdf_files)

        for filename in pdf_files:
            pdf_path = os.path.join(pdf_folder, filename)
            html_path = os.path.join(html_folder, os.path.splitext(filename)[0] + '.html')
            txt_path = os.path.join(txt_folder, os.path.splitext(filename)[0] + '.txt')

            pdf2html(pdf_path, html_path)

            html2txt(html_path, txt_path)

            progress_bar['value'] += 1
            progress_bar.update()

        messagebox.showinfo('转换完成', 'PDF转换完成！')
        open_txt_folder(parent_folder)


def open_txt_folder(parent_folder):
    txt_folder = os.path.join(parent_folder, 'txt_files')
    os.startfile(txt_folder)


window = tk.Tk()
window.title('期刊论文PDF分栏转TXT工具')

select_folder_btn = tk.Button(window, text='选择文件夹', command=convert_files)
select_folder_btn.pack(pady=20)

progress_bar = ttk.Progressbar(window, orient='horizontal', length=300, mode='determinate')
progress_bar.pack(pady=10)

window.mainloop()

在上述代码中，我们定义了一系列函数来实现转换功能。pdf2html函数接受一个PDF文件路径和一个HTML文件路径作为输入，使用fitz库打开PDF文件并逐页转换为HTML格式，并将结果保存到HTML文件中。html2txt函数接受一个HTML文件路径和一个TXT文件路径作为输入，使用BeautifulSoup库解析HTML文件，提取所需的文本内容，并将结果保存到TXT文件中。convert_files函数用于处理用户选择的PDF文件夹，创建必要的文件夹，遍历PDF文件夹中的文件并依次进行转换操作。open_txt_folder函数用于打开存储TXT文件的文件夹。最后，我们使用tkinter库创建了一个GUI窗口，包括一个选择文件夹的按钮和一个进度条。

使用说明

要使用这个工具，你可以按照以下步骤进行操作：

1. 运行程序后，点击 “选择文件夹” 按钮。
2. 在弹出的对话框中，选择包含要转换的PDF文件的文件夹。
3. 程序将自动创建存储转换后HTML和TXT文件的文件夹。
4. 转换过程将自动开始，进度条会显示转换的进展情况。
5. 转换完成后，将弹出一个消息框提示转换已完成，并自动打开存储TXT文件的文件夹。

这个简单而实用的GUI应用将帮助你将期刊论文从PDF格式转换为可供文本分析和处理的TXT格式，提高你的科研工作效率

参考文章：b站@穿云蟒 Python提取pdf文献分栏文本并保存为txt