PyPDF2读取PDF文件内容保存到本地TXT实例
更新时间:2020年5月13日 10:51 点击:2208
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
以上这篇PyPDF2读取PDF文件内容保存到本地TXT实例就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持猪先飞。
相关文章
- 这篇文章主要介绍了C#从数据库读取图片并保存的方法,帮助大家更好的理解和使用c#,感兴趣的朋友可以了解下...2021-01-16
- 这篇文章主要介绍了pycharm实现print输出保存到txt文件,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧...2020-06-02
- 这篇文章主要给大家介绍了关于C#中txt数据写入的几种常见方法,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧...2020-10-25
java 画pdf用itext调整表格宽度、自定义各个列宽的方法
这篇文章主要介绍了java 画pdf用itext调整表格宽度、自定义各个列宽的方法,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧...2021-01-31- 这篇文章主要介绍了Python 利用base64库 解码本地txt文本字符串的操作,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧...2021-04-09
- 本文主要介绍了python读取和保存mat文件的方法,文中通过示例代码介绍的非常详细,具有一定的参考价值,感兴趣的小伙伴们可以参考一下...2021-08-25
- 今天小编就为大家分享一篇python 实现将Numpy数组保存为图像,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧...2020-04-27
- 这篇文章主要为大家详细介绍了C#读写txt文本文档数据的2种方法,具有一定的参考价值,感兴趣的小伙伴们可以参考一下...2020-06-25
- 这篇文章主要介绍了浅谈实现在线预览PDF的几种解决办法,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧...2020-08-10
- 这篇文章主要介绍了java 用itext设置pdf纸张大小操作,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧...2021-01-31
- 这篇文章主要介绍了vue中使用vue-pdf的方法,本文通过实例代码给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友可以参考下...2020-09-05
- 这篇文章主要介绍了Python PyPDF2模块安装使用解析,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下...2020-04-22
- 下面小编就为大家分享一篇Qt 使用Poppler实现pdf阅读器的示例代码,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧...2020-04-25
- 下面我们来看一篇关于安卓开发之保存ImageView中的图片到本地相册教程吧,希望这篇教程能够给大家带来帮助. 代码如下. private void saveImage(ImageView imageVi...2016-11-01
- 这篇文章主要为大家详细介绍了C#合并及拆分PDF文件的方法,具有一定的参考价值,感兴趣的小伙伴们可以参考一下...2020-06-25
C#将Word转换成PDF方法汇总(基于Office和WPS)
这篇文章主要汇总了C#将Word转换成PDF方法,基于Office和WPS的两种解决方案,具有一定的参考价值,感兴趣的小伙伴们可以参考一下...2020-06-25- 这篇文章主要介绍了C#实现的pdf生成图片文字水印类,结合完整实例形式分析了C#针对pdf文件的创建、添加文字、水印等相关操作技巧,需要的朋友可以参考下...2020-06-25
- 这篇文章主要介绍了Oracle 实现将查询结果保存到文本txt中的操作,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧...2021-02-07
- 下面小编就为大家分享一篇C#抓取网络图片保存到本地的实现方法,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧...2020-06-25
- 这篇文章主要介绍了C#获取指定PDF文件页数的方法,涉及C#操作pdf文件的技巧,非常具有实用价值,需要的朋友可以参考下...2020-06-25