溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這篇文章主要為大家展示了PyPDF2讀取PDF文件內容如何保存到本地TXT，內容簡而易懂，希望大家可以學習一下，學習完之后肯定會有收獲的，下面讓小編帶大家一起來看看吧。
我就廢話不多說了，大家還是直接看代碼吧！
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)補充知識：使用PyPDF2庫對pdf文件進行指定頁面刪除操作
平臺：win10家庭版，python 3.7，PyPDF2
思維過程：
方法一：將pdf文件通過拆分為單頁，放入一個文件夾，再刪除其中不要的文件，最后再把剩余的文件進行合并為一個pdf文件
第一步：使用原文件路徑創建新文件夾，用于存放拆分后的單頁文件
def newdir(self,path):
self.new = os.path.splitext(path)[0]
if not os.path.isdir(self.new): #使用os.path.isdir判斷文件夾是否存在，
os.mkdir(self.new)第二步：生成單頁文件，并存放到新建的文件夾
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關閉錯誤提示
#使用for循環讀取每一頁并將其寫入新pdf文件，文件以頁碼命名
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：刪除文件夾中不要的文件
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("請確認要刪除的頁碼%s是否正確！！"%pag)第四步：把剩余文件合并為一個pdf文件
def pdfmerge(self):
file_list = [int(os.path.splitext(x)[0]) for x in os.listdir(self.new)] #讀取新建文件夾下的所有文件并提取文件名轉為數字
file_write = PyPDF2.PdfFileWriter() #先創建一個新的pdf對象
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關閉錯誤提示
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頁完成"%page)
file_1.close()第五步：刪除其中的緩存文件夾
def rmdir(self):
if os.path.isdir(self.new):
shutil.rmtree(self.new)方法一的完整代碼：
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
#用于創建一個獨立的文件夾，存放緩存數據
def newdir(self,path):
self.new = os.path.splitext(path)[0]
if not os.path.isdir(self.new): #使用os.path.isdir判斷文件夾是否存在，
os.mkdir(self.new)
#將每一頁生成獨立文件，存放到緩存文件夾
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關閉錯誤提示
#使用for循環讀取每一頁并將其寫入新pdf文件，文件以頁碼命名
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()
#刪除緩存文件夾中的不要的頁
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("請確認要刪除的頁碼%s是否正確！！"%pag)
#將緩存文件夾中的剩余文件合進行合并
def pdfmerge(self):
file_list = [int(os.path.splitext(x)[0]) for x in os.listdir(self.new)] #讀取新建文件夾下的所有文件并提取文件名轉為數字
file_write = PyPDF2.PdfFileWriter() #先創建一個新的pdf對象
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關閉錯誤提示
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頁完成"%page)
file_1.close()
def rmdir(self):
if os.path.isdir(self.new):
shutil.rmtree(self.new)
if __name__ == "__main__":
#通過第一個參數獲取待處理的文件，第二個參數到以后為刪除的頁碼
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：在寫入新文件時使用if判斷進行篩選出不要的頁面
想法一、將讀取與寫入同時處理。使用if判斷篩選不要的頁面
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關閉錯誤提示
file_write = PyPDF2.PdfFileWriter()
#使用for循環讀取每一頁并將其寫入新pdf文件，文件以頁碼命名
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、將數據先全部放入內存，最后在寫入，來提高速度：
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關閉錯誤提示
file_write = PyPDF2.PdfFileWriter()
#使用for循環讀取每一頁并將其寫入新pdf文件，文件以頁碼命名
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: #將內容全部放入內存，最后寫入，提高處理速度
file_write.write(output_pdf)
file_1.close()
else:
print("文件不存在！")
time.sleep(3)
exit()方法二的完整代碼：
import PyPDF2
import os,time,shutil,sys
import threading
class mypdf(object):
def __init__(self,path,number):
self.new = os.path.splitext(path)[0] #獲取文件的路徑
self.pdfsplt(path,number)
pass
#循環每一頁讀入內存，最后寫入文件
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關閉錯誤提示
file_write = PyPDF2.PdfFileWriter()
#使用for循環讀取每一頁并將其寫入新pdf文件，文件以頁碼命名
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: #將內容全部放入內存，最后寫入，提高處理速度
file_write.write(output_pdf)
file_1.close()
else:
print("文件不存在！")
time.sleep(3)
exit()
if __name__ == "__main__":
#通過第一個參數獲取待處理的文件，第二個參數到以后為刪除的頁碼
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])兩種方法的比較：
方法一 | 方法二中的第一種想法 | 方法二中的第二種想法 | |
運行速度 | 慢 | 較慢 | 快 |
代碼量 | 65行 | 34行 | 34行 |
缺點：
方法一在處理掃描的pdf文件時，運行速度太慢，不能實現范圍性的刪除。
方法二不能實現范圍性的刪除
以上就是關于PyPDF2讀取PDF文件內容如何保存到本地TXT的內容，如果你們有學習到知識或者技能，可以把它分享出去讓更多的人看到。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
