Python批量提取PDF文件中的文本

首先需要执行命令pip install pdfminer3k来安装处理PDF文件的扩展库。

import os

import sys

import time

pdfs = (pdfs for pdfs in os.listdir('.') if pdfs.endswith('.pdf'))

for pdf1 in pdfs:

    pdf = pdf1.replace(' ', '_').replace('-', '_').replace('&', '_')

    os.rename(pdf1, pdf)

    print('='*30)

    print(pdf)

    txt = pdf[:-4] + '.txt'

    exe = '"' + sys.executable + '" "'

    pdf2txt = os.path.dirname(sys.executable)

    pdf2txt = pdf2txt + '\\scripts\\pdf2txt.py" -o '

    try:

        #调用命令行工具pdf2txt.py进行转换

        #如果pdf加密过可以改写下面的代码

        #在-o前面使用-P来指定密码

        cmd = exe + pdf2txt + txt + ' ' + pdf

        os.popen(cmd)

        #转换需要一定时间，一般小文件2秒钟足够了

        time.sleep(2)

        #输出转换后的文本，前200个字符

        with open(txt, encoding='utf8') as fp:

            print(fp.read(200))

    except:

        pass