通过路由,交换,安全,Qos四大典型技术模块同你分享网络运维中的技术难题,让老司机带你躲过网络运维常见的那些坑, 查看详情>>>
0

我的帖子

个人中心

设置

  发新话题
在日常工作或学习中,经常会遇到这样的无奈:
“小任,你把这个PDF中的文件码出来发我”
倒霉,2M的PDF12点也完不了啊!


很多时候在学习时发现许多文档都是PDF格式,PDF格式却不利于学习使用,因此需要将PDF转换为Word文件,但或许你从网上下载了很多软件,但只能转换前五页(如WPS等),要不就是需要收费,那有没有免费的转换软件呢?
so,菜鸟分析给各位带来了一个免费简单快速的方法,手把手教你用Python批量处理PDF格式文件,获取自己想要的内容,存为word形式。
在实现PDF转Word功能之前,我们需要一个python的编写和运行环境,同时安装好相关的依赖包。 对于python环境,我们推荐使用PyCharm。 在本地电脑环境,anaconda提供了非常便利的安装和部署。
PDF转Word功能所需的依赖包如下:
PDFParser(文档分析器),PDFDocument(文档对象),PDFResourceManager(资源管理器),PDFPageInterpreter(解释器),PDFPageAggregator(聚合器),LAParams(参数分析器)
一、前期准备工作
说明:菜鸟分析是在Windows7下使用python最新的3.6版本
1.安装pdfminer3k模块
安装anaconda后,直接可以通过pip安装


2.若安装不成功,可以试试下面方法
首先下载pdfminer3k:https://pypi.python.org/pypi/pdfminer3k;然后安装pdfminer
将下载好的pdfminer3k解压到D:或其他合适的盘符,通过win+r 打开运行窗口,输入cmd;
输入D:切换到D盘,cd pdfminer3k(pdf解压的文件夹),输入setup.py install安装软件。


最终显示Finished,则代表成功
二、代码实操
导入相关包
from pdfminer.pdfparser import PDFParser, PDFDocument  
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter  
from pdfminer.layout import LAParams  
from pdfminer.converter import PDFPageAggregator  
整体思路为:构造文档对象,解析文档对象,提取所需内容


构造文档对象



构造解释器


2.导入需要解析的PDF文件
将所需解析的文件与执行代码放到同一个目录下,如图:



test.pdf内容


3.具体代码如下:
from pdfminer.pdfparser import PDFParser, PDFDocument  
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.layout import LAParams  
from pdfminer.converter import PDFPageAggregator  
from pdfminer.pdfinterp import PDFTextExtractionNotAllowed  


def parse():  
    #rb以二进制读模式打开本地pdf文件  
    fn = open('test.pdf','rb')
    #创建一个pdf文档分析器  
    parser = PDFParser()  
    #创建一个PDF文档  
    doc = PDFDocument()  
    #连接分析器 与文档对象  
    parser.set_document()  
    doc.set_parser()  


    # 提供初始化密码doc.initialize("lianxipython")  
    # 如果没有密码 就创建一个空的字符串  
    doc.initialize("")  
    # 检测文档是否提供txt转换,不提供就忽略  
    if not doc.is_extractable:  
        raise PDFTextExtractionNotAllowed  
    else:  
        #创建PDf资源管理器  
        resource = PDFResourceManager()  
        #创建一个PDF参数分析器  
        laparams = LAParams()  
        #创建聚合器,用于读取文档的对象  
        device = PDFPageAggregator(resource,laparams=laparams)  
        #创建解释器,对文档编码,解释成Python能够识别的格式  
        interpreter = PDFPageInterpreter(resource,device)  
        # 循环遍历列表,每次处理一页的内容  
        # doc.get_pages() 获取page列表  
        for page in doc.get_pages():  
            #利用解释器的process_page()方法解析读取单独页数  
            interpreter.process_page(page)  
            #使用聚合器get_result()方法获取内容  
            layout = device.get_result()  
            #这里layout是一个LTPage对象,里面存放着这个page解析出的各种对象  
            for out in layout:  
                #判断是否含有get_text()方法,获取我们想要的文字  
                if hasattr(out,"get_text"):  
                    print(out.get_text())  
                    with open('test.txt','a') as f:  
                        f.write(out.get_text()+'\n')  


if __name__ == '__main__':  

    parse()  
最终得到的test.txt结果如下:


结束:对于Python批量PDF转Word的操作介绍就到此,本文仅仅作为一种运用库展示代码编写过程,具体技术还需要有兴趣的朋友,与我一起讨论专研,互相学习进步。



本帖最近评分记录



本帖最后由 七彩极 于 2018-3-8 19:00 编辑
引用:
原帖由 七彩极 于 2018-3-8 18:59 发表
在日常工作或学习中,经常会遇到这样的无奈:
“小任,你把这个PDF中的文件码出来发我”
倒霉,2M的PDF12点也完不了啊!
http://s4.51cto.com/oss/201803/07/3af78bd5ef3a1f2f40fbb92ba2b83731.gif-wh_651x-s_2287945354.gif
...
收藏,以后分析你的代码,仔细学学



学习了,一直想做这个。



引用:
原帖由 七彩极 于 2018-03-08 18:59 发表
手把手|20行Python代码教你批量将PDF文件转为Word格式(包教包会)
厉害



‹‹ 上一贴:年薪六十万的Python程序员第一道面试题就是算法!看我如 ...   |   下一贴:python,两个有序数组的合并 ››
  发新话题
快速回复主题
关于我们 | 诚聘英才 | 联系我们 | 网站大事 | 友情链接 |意见反馈 | 网站地图
Copyright©2005-2018 51CTO.COM
本论坛言论纯属发布者个人意见,不代表51CTO网站立场!如有疑义,请与管理员联系:bbs@51cto.com