PDF 转换成 txt 文件

1:需要安装的包

import fitz
from tqdm import tqdm
from bs4 import BeautifulSoup
import re

2:逻辑,PDF先解析成html,在对HTML提取txt,目前来看纯文本的txt提取效果不错,双目排版论文格式的提取质量不高,因为论文里包含有图表、图片、作者信息这种,虽然能够按照排版的格式抽取内容信息,但抽取的信息很脏乱。

import fitz
from tqdm import tqdm
from bs4 import BeautifulSoup
import re

#将pdf转成html
def pdf2html(input_path,html_path):
    doc = fitz.open(input_path)
    print(doc)
    html_content =''
    for page in tqdm(doc):
        html_content += page.get_text('html')
    print('开始输出html文件')
    html_content +="</body></html>"
    with open(html_path, 'w', encoding = 'utf-8', newline='')as fp:
        fp.write(html_content)

#使用Beautifulsoup解析本地html
def html2txt(html_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]  #将列表中的字符串内容合并加到行字符串中
            print(text)
            txt_path = html_path.replace('.html','.txt')
            with open(txt_path,'a',encoding = 'utf-8')as text_file:
                text_file.write(text)
                text_file.write('\n')

def pdf2txt(filepath):
    html_path = filepath.replace('.pdf', '.html')
    pdf2html(filepath, html_path)  # pdf转html
    html2txt(html_path)
    print('PDF转换完成!')

if __name__ == '__main__':
    pdf_path = '需要抓换的PDF文件'
    pdf2txt(pdf_path)

3:之后会调研其他转换方法,争取能够提高提取质量。

  • 9
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值