PyPDF2讀取PDF檔案內容儲存到本地TXT例項

我就廢話不多說了，大家還是直接看程式碼吧！
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('
') 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=' ') if __name__ == '__main__': filename = 'E:/SVN/採集框架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檔案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檔案透過拆分為單頁，放入一個資料夾，再刪除其中不要的檔案，最後再把剩餘的檔案進行合併為一個pdf檔案
第一步：使用原檔案路徑建立新資料夾，用於存放拆分後的單頁檔案
def newdir(self,path): self.new = os.path.splitext(path)[0] if not os.path.isdir(self.new): #使用os.path.isdir判斷資料夾是否存在， os.mkdir(self.new)
第二步：生成單頁檔案，並存放到新建的資料夾
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迴圈讀取每一頁並將其寫入新pdf檔案，檔案以頁碼命名 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("檔案不存在！") time.sleep(3) exit()
第三步：刪除資料夾中不要的檔案
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：把剩餘檔案合併為一個pdf檔案
def pdfmerge(self): file_list = [int(os.path.splitext(x)[0]) for x in os.listdir(self.new)] #讀取新建資料夾下的所有檔案並提取檔名轉為數字 file_write = PyPDF2.PdfFileWriter() #先建立一個新的pdf物件 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：刪除其中的快取資料夾
def rmdir(self): if os.path.isdir(self.new): shutil.rmtree(self.new)
方法一的完整程式碼：
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 #用於建立一個獨立的資料夾，存放快取資料 def newdir(self,path): self.new = os.path.splitext(path)[0] if not os.path.isdir(self.new): #使用os.path.isdir判斷資料夾是否存在， os.mkdir(self.new) #將每一頁生成獨立檔案，存放到快取資料夾 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迴圈讀取每一頁並將其寫入新pdf檔案，檔案以頁碼命名 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("檔案不存在！") time.sleep(3) exit() #刪除快取資料夾中的不要的頁 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) #將快取資料夾中的剩餘檔案合進行合併 def pdfmerge(self): file_list = [int(os.path.splitext(x)[0]) for x in os.listdir(self.new)] #讀取新建資料夾下的所有檔案並提取檔名轉為數字 file_write = PyPDF2.PdfFileWriter() #先建立一個新的pdf物件 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__": #透過第一個引數獲取待處理的檔案，第二個引數到以後為刪除的頁碼 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：在寫入新檔案時使用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迴圈讀取每一頁並將其寫入新pdf檔案，檔案以頁碼命名 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("檔案不存在！") time.sleep(3) exit()
想法二、將資料先全部放入記憶體，最後在寫入，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迴圈讀取每一頁並將其寫入新pdf檔案，檔案以頁碼命名 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: #將內容全部放入記憶體，最後寫入，提高處理速度 file_write.write(output_pdf) file_1.close() else: print("檔案不存在！") time.sleep(3) exit()
方法二的完整程式碼：
import PyPDF2 import os,time,shutil,sys import threading class mypdf(object): def __init__(self,path,number): self.new = os.path.splitext(path)[0] 

#獲取檔案的路徑 self.pdfsplt(path,number) pass 

#迴圈每一頁讀入記憶體，最後寫入檔案 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迴圈讀取每一頁並將其寫入新pdf檔案，檔案以頁碼命名 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: #將內容全部放入記憶體，最後寫入，提高處理速度 file_write.write(output_pdf) file_1.close() else: print("檔案不存在！") time.sleep(3) exit() 

if __name__ == "__main__": 

#透過第一個引數獲取待處理的檔案，第二個引數到以後為刪除的頁碼 

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 執行速度 慢 較慢 快 程式碼量 65行 34行 34行
缺點：
方法一在處理掃描的pdf檔案時，執行速度太慢，不能實現範圍性的刪除。
方法二不能實現範圍性的刪除