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。
