PyPDF2读取PDF文件内容保存到本地TXT实例
我就废话不多说了,大家还是直接看代码吧!
from PyPDF2.pdf import PdfFileReader import pandas as pd def Pdf_to_txt(pdf): for i in range(0, pdf.getNumPages()): title = [] lin1, lin2, lin3, lin4, lin5, lin6, lin7, lin8 = [], [], [], [], [], [], [], [] extractedText = pdf.getPage(i).extractText() text = extractedText.split('\n') num = 0 for lin in text: if num == 0: title.append(lin) elif num == 1: lin1.append(lin) elif num == 2: lin2.append(lin) elif num == 3: lin3.append(lin) elif num == 4: lin4.append(lin) elif num == 5: lin5.append(lin) elif num == 6: lin6.append(lin) elif num == 7: lin7.append(lin) elif num == 8: lin8.append(lin) num = 0 num += 1 Lin_num = len(lin8) data = {'Lin1': lin1[:Lin_num], 'Lin2': lin2[:Lin_num], 'Lin3': lin3[:Lin_num], 'Lin4': lin4[:Lin_num], 'Lin5': lin5[:Lin_num], 'Lin6': lin6[:Lin_num], 'Lin7': lin7[:Lin_num], 'Lin8': lin8[:Lin_num]} df = pd.DataFrame(data, columns=['Lin1', 'Lin2', 'Lin3', 'Lin4', 'Lin5', 'Lin6', 'Lin7', 'Lin8']) file_name = title[0] + '_page' + str((i + 1)) df.to_csv('tool/pdf解析/%s.txt' % file_name, index=False, sep='\t') if __name__ == '__main__': filename = 'E:/SVN/采集框架V2/analyse_code/政策/pdf/con026465.pdf' pdf = PdfFileReader(open(filename, "rb")) Pdf_to_txt(pdf)
补充知识:使用PyPDF2库对pdf文件进行指定页面删除操作
平台:win10家庭版,python 3.7,PyPDF2
思维过程:
方法一:将pdf文件通过拆分为单页,放入一个文件夹,再删除其中不要的文件,最后再把剩余的文件进行合并为一个pdf文件
第一步:使用原文件路径创建新文件夹,用于存放拆分后的单页文件
def newdir(self,path): self.new = os.path.splitext(path)[0] if not os.path.isdir(self.new): #使用os.path.isdir判断文件夹是否存在, os.mkdir(self.new)
第二步:生成单页文件,并存放到新建的文件夹
def pdfsplt(self,path): if os.path.isfile(path): file_1 = open(path,"rb") file_reader = PyPDF2.PdfFileReader(file_1, strict=False) #使用strict关闭错误提示 #使用for循环读取每一页并将其写入新pdf文件,文件以页码命名 for page in range(0,file_reader.getNumPages()): file_write = PyPDF2.PdfFileWriter() pageobj = file_reader.getPage(page) file_write.addPage(pageobj) output = str(self.new) + "\\" + str(int(page+1)) + ".pdf" with open(output,"wb") as output_pdf: file_write.write(output_pdf) file_1.close() else: print("文件不存在!") time.sleep(3) exit()
第三步:删除文件夹中不要的文件
def pdfremove(self,number): for pag in number: filename = str(self.new) + "\\" + str(pag) + ".pdf" if os.path.isfile(filename): os.unlink(filename) else: print("请确认要删除的页码%s是否正确!!"%pag)
第四步:把剩余文件合并为一个pdf文件
def pdfmerge(self): file_list = [int(os.path.splitext(x)[0]) for x in os.listdir(self.new)] #读取新建文件夹下的所有文件并提取文件名转为数字 file_write = PyPDF2.PdfFileWriter() #先创建一个新的pdf对象 for page in sorted(file_list): pathstr = str(self.new) + "\\" + str(page) + ".pdf" file_1 = open(pathstr,"rb") file_reader = PyPDF2.PdfFileReader(file_1, strict=False) # 使用strict关闭错误提示 pageobj = file_reader.getPage(0) file_write.addPage(pageobj) output = str(self.new) + "_new.pdf" with open(output, "wb") as output_pdf: file_write.write(output_pdf) print("第%s页完成"%page) file_1.close()
第五步:删除其中的缓存文件夹
def rmdir(self): if os.path.isdir(self.new): shutil.rmtree(self.new)
方法一的完整代码:
import PyPDF2 import os,time,shutil,sys import threading class mypdf(object): def __init__(self,path,number): self.newdir(path) self.pdfsplt(path) self.pdfremove(number) self.pdfmerge() self.rmdir() pass #用于创建一个独立的文件夹,存放缓存数据 def newdir(self,path): self.new = os.path.splitext(path)[0] if not os.path.isdir(self.new): #使用os.path.isdir判断文件夹是否存在, os.mkdir(self.new) #将每一页生成独立文件,存放到缓存文件夹 def pdfsplt(self,path): if os.path.isfile(path): file_1 = open(path,"rb") file_reader = PyPDF2.PdfFileReader(file_1, strict=False) #使用strict关闭错误提示 #使用for循环读取每一页并将其写入新pdf文件,文件以页码命名 for page in range(0,file_reader.getNumPages()): file_write = PyPDF2.PdfFileWriter() pageobj = file_reader.getPage(page) file_write.addPage(pageobj) output = str(self.new) + "\\" + str(int(page+1)) + ".pdf" with open(output,"wb") as output_pdf: file_write.write(output_pdf) file_1.close() else: print("文件不存在!") time.sleep(3) exit() #删除缓存文件夹中的不要的页 def pdfremove(self,number): for pag in number: filename = str(self.new) + "\\" + str(pag) + ".pdf" if os.path.isfile(filename): os.unlink(filename) else: print("请确认要删除的页码%s是否正确!!"%pag) #将缓存文件夹中的剩余文件合进行合并 def pdfmerge(self): file_list = [int(os.path.splitext(x)[0]) for x in os.listdir(self.new)] #读取新建文件夹下的所有文件并提取文件名转为数字 file_write = PyPDF2.PdfFileWriter() #先创建一个新的pdf对象 for page in sorted(file_list): pathstr = str(self.new) + "\\" + str(page) + ".pdf" file_1 = open(pathstr,"rb") file_reader = PyPDF2.PdfFileReader(file_1, strict=False) # 使用strict关闭错误提示 pageobj = file_reader.getPage(0) file_write.addPage(pageobj) output = str(self.new) + "_new.pdf" with open(output, "wb") as output_pdf: file_write.write(output_pdf) print("第%s页完成"%page) file_1.close() def rmdir(self): if os.path.isdir(self.new): shutil.rmtree(self.new) if __name__ == "__main__": #通过第一个参数获取待处理的文件,第二个参数到以后为删除的页码 path = sys.argv[1] number = sys.argv[2:] mypdf = mypdf(path,number) def f(path,number): mypdf(path,number) threading.Thread(target=f,args=[path,number])
方法二:在写入新文件时使用if判断进行筛选出不要的页面
想法一、将读取与写入同时处理。使用if判断筛选不要的页面
def pdfsplt(self,path,number): print(number,type(number)) if os.path.isfile(path): file_1 = open(path,"rb") file_reader = PyPDF2.PdfFileReader(file_1, strict=False) #使用strict关闭错误提示 file_write = PyPDF2.PdfFileWriter() #使用for循环读取每一页并将其写入新pdf文件,文件以页码命名 for page in range(0,file_reader.getNumPages()): if page not in number: pageobj = file_reader.getPage(page) file_write.addPage(pageobj) output = str(self.new) + "_new.pdf" with open(output,"wb") as output_pdf: file_write.write(output_pdf) file_1.close() else: print("文件不存在!") time.sleep(3) exit()
想法二、将数据先全部放入内存,最后在写入,来提高速度:
def pdfsplt(self,path,number): print(number,type(number)) if os.path.isfile(path): file_1 = open(path,"rb") file_reader = PyPDF2.PdfFileReader(file_1, strict=False) #使用strict关闭错误提示 file_write = PyPDF2.PdfFileWriter() #使用for循环读取每一页并将其写入新pdf文件,文件以页码命名 for page in range(0,file_reader.getNumPages()): if page not in number: pageobj = file_reader.getPage(page) file_write.addPage(pageobj) output = str(self.new) + "_new.pdf" with open(output,"wb") as output_pdf: #将内容全部放入内存,最后写入,提高处理速度 file_write.write(output_pdf) file_1.close() else: print("文件不存在!") time.sleep(3) exit()
方法二的完整代码:
import PyPDF2 import os,time,shutil,sys import threading class mypdf(object): def __init__(self,path,number): self.new = os.path.splitext(path)[0] #获取文件的路径 self.pdfsplt(path,number) pass #循环每一页读入内存,最后写入文件 def pdfsplt(self,path,number): print(number,type(number)) if os.path.isfile(path): file_1 = open(path,"rb") file_reader = PyPDF2.PdfFileReader(file_1, strict=False) #使用strict关闭错误提示 file_write = PyPDF2.PdfFileWriter() #使用for循环读取每一页并将其写入新pdf文件,文件以页码命名 for page in range(0,file_reader.getNumPages()): if page not in number: pageobj = file_reader.getPage(page) file_write.addPage(pageobj) output = str(self.new) + "_new.pdf" with open(output,"wb") as output_pdf: #将内容全部放入内存,最后写入,提高处理速度 file_write.write(output_pdf) file_1.close() else: print("文件不存在!") time.sleep(3) exit() if __name__ == "__main__": #通过第一个参数获取待处理的文件,第二个参数到以后为删除的页码 path = sys.argv[1] number = sys.argv[2:] number = list(map(int, number)) mypdf = mypdf(path,number) def f(path,number): mypdf(path,number) threading.Thread(target=f,args=[path,number])
两种方法的比较:
方法一 |
方法二中的第一种想法 |
方法二中的第二种想法 |
|
运行速度 |
慢 |
较慢 |
快 |
代码量 |
65行 |
34行 |
34行 |
缺点:
方法一在处理扫描的pdf文件时,运行速度太慢,不能实现范围性的删除。
方法二不能实现范围性的删除
上一篇:Python实现微信机器人的方法
栏 目:Python代码
本文标题:PyPDF2读取PDF文件内容保存到本地TXT实例
本文地址:http://www.codeinn.net/misctech/40909.html