织梦企业门户网站,专业做冻货的网站,html网页搭建,wordpress 获取用户名文章目录 一、前言二、实现方法1. 目录结构2. 代码 一、前言
此方法只能转文本格式的pdf#xff0c;如果是图片格式的pdf需要用到ocr包#xff0c;以后如果有这方面需求再加这个方法 二、实现方法
1. 目录结构 2. 代码
pdf2txt.py 代码如下
#!/usr/bin/env python
# -*- … 文章目录 一、前言二、实现方法1. 目录结构2. 代码 一、前言
此方法只能转文本格式的pdf如果是图片格式的pdf需要用到ocr包以后如果有这方面需求再加这个方法 二、实现方法
1. 目录结构 2. 代码
pdf2txt.py 代码如下
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import json
import osfrom pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFPage, PDFTextExtractionNotAllowed
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LAParamsdef batch_process(src_dir, tgt_dir):批处理:return:for pdf_name in os.listdir(src_dir):pdf_path os.path.join(src_dir, pdf_name)text_path os.path.join(tgt_dir, f{os.path.splitext(pdf_name)[0]}.txt)json_path os.path.join(tgt_dir, f{os.path.splitext(pdf_name)[0]}.json)pdf_utils PDFUtils()pdf_list pdf_utils.pdf2list(pdf_path)# pdf2txtwith open(text_path, modew, encodingutf-8) as f:f.write(.join([.join(page) for page in pdf_list]))# pdf2jsonwith open(json_path, modew, encodingutf-8) as f:f.write(json.dumps(pdf_list, ensure_asciiFalse))class PDFUtils():def __init__(self):passdef pdf2list(self, path):pdf_list [] # 二维数组一维放页二维放行with open(path, rb) as f:praser PDFParser(f)doc PDFDocument(praser)if not doc.is_extractable:raise PDFTextExtractionNotAllowedpdfrm PDFResourceManager()laparams LAParams()device PDFPageAggregator(pdfrm, laparamslaparams)interpreter PDFPageInterpreter(pdfrm, device)for page_idx, page in enumerate(PDFPage.create_pages(doc)):line_list [] # 保存每行数据# print(page_idx)interpreter.process_page(page)layout device.get_result()for line_idx, line in enumerate(layout):# print(line_idx)if hasattr(line, get_text):content line.get_text()# print(content)# output StringIO()# output.write(content)# content output.getvalue()# output.close()# print(content)if content and content.replace( , ) ! \n:line_list.append(content)# print(content)pdf_list.append(line_list)# output.close()return pdf_listif __name__ __main__:# pdf目录src_dir ./pdf# 生成的txt和json文件的保存目录tgt_dir ./text_and_json# 批量转换batch_process(src_dir, tgt_dir)
