Python实现PDF、WORD文档中文本抽取

目录

一、本期文章学习目的

二、开发环境

三、数据分类

四、知识架构了解

1、数据格式化架构​

2、使用工具的差异性

3、数据抽取的ISO架构内容

五、实操代码部分

1、word抽取文字保存为TXT文档

2、pdf抽取文字保存为TXT文档

3、封装文档抽取工具

4、遍历读取文件信息

5、遍历读取文件夹信息，抽取文件夹文档内容保存为TXT文档

---

一、本期文章学习目的

使用python抽取PDF、WORD文档中文字进行为TXT文件。

二、开发环境

Python3.5.3，系统环境：win10，办公软件office16，编程环境：pycharm+Anaconda3

插件：win32com、os、fnmatch(都可以从Anaconda中安装，这里不演示插件安装了)

三、数据分类

 四、知识架构了解

 1、数据格式化架构

2、使用工具的差异性

选用免费工具和自己写代码工具的不同点：

 

3、数据抽取的ISO架构内容

五、实操代码部分

1、word抽取文字保存为TXT文档

2、pdf抽取文字保存为TXT文档

3、封装文档抽取工具

4、遍历读取文件信息

5、遍历读取文件夹信息，抽取文件夹文档内容保存为TXT文档

word-txt

 

# coding=utf-8
'''
author；Rocky
Description:Word文档信息提取转存TXT
prompt: code in python3 env
function:word文档转存TXT，默认保存在运行环境下面，支持重定义。
参数描述：1、filePath 文件路径。2、savePath:保存路径
'''
import os,fnmatch
from win32com import client as wc
from win32com.client import Dispatch

def word2Txt(filePath,savaPath=''):
    #1、切分文件路径为文件目录和文件名
    dirs,filename = os.path.split(filePath)
    print('输入文档的当前路径和文件名字：',dirs,'\n',filename)

    #2、修改切分后的文件后缀
    new_name=''
    if fnmatch.fnmatch(filename,'*.doc'):
        new_name = filename[:-4]+'.txt'
    elif fnmatch.fnmatch(filename,'*.docx'):
        new_name = filename[:-5]+'.txt'
    else:
        print('格式不正确，仅支持doc和docx格式')
        return

    #3、设置新的文件保存路径
    if savaPath=='':
        savaPath = dirs
    else:
        savaPath = savaPath
    word2TxtPath = os.path.join(savaPath,new_name)
    print('转化以后的文件名路径-->',word2TxtPath)

    #4、加载文本提取的处理程序，Word - txt
    wordapp = wc.Dispatch('Word.Application')
    mytxt = wordapp.Documents.Open(filePath)


    #5、保存文档文本
    mytxt.SaveAs(word2TxtPath,4)
    mytxt.Close()
    print('转化成功，文件保存为txt文件')


if __name__=='__main__':
    filePath = os.path.abspath(r'./1234.docx')#读取项目路径的文档。
    word2Txt(filePath)

 pdf-txt

 

# coding=utf-8
'''
author；Rocky
Description:pdf,PDF文档信息提取转存TXT
prompt: code in python3 env
function:文档信息转存TXT，默认保存在运行环境下面，支持重定义。
参数描述：1、filePath 文件路径。2、savePath:保存路径、
'''
import os,fnmatch
from win32com import client as wc
from win32com.client import Dispatch

def pdf2Txt(filePath,savaPath=''):
    #1、切分文件路径为文件目录和文件名
    dirs,filename = os.path.split(filePath)
    print('输入文档的当前路径和文件名字：',dirs,'\n',filename)

    #2、修改切分后的文件后缀
    new_name=''
    if fnmatch.fnmatch(filename,'*.pdf'):
        new_name = filename[:-4]+'.txt'
    elif fnmatch.fnmatch(filename,'*.PDF'):
        new_name = filename[:-4]+'.txt'
    else:
        print('格式不正确，仅支持pdf和PDF格式')
        return

    #3、设置新的文件保存路径
    if savaPath=='':
        savaPath = dirs
    else:
        savaPath = savaPath
    pdf2TxtPath = os.path.join(savaPath,new_name)
    print('转化以后的文件名路径-->',pdf2TxtPath)

    #4、加载文本提取的处理程序，Word - txt
    wordapp = wc.Dispatch('Word.Application')
    mytxt = wordapp.Documents.Open(filePath)

    #5、保存文档文本
    mytxt.SaveAs(pdf2TxtPath,4)
    mytxt.Close()
    print('转化成功，文件保存为txt文件')


if __name__=='__main__':
    filePath = os.path.abspath(r'./erp.pdf')#当前项目文档下的路径
    pdf2Txt(filePath)

 封装Word\pdf-txt的工具

 

# coding=utf-8
'''
author；Rocky
Description:文档信息提取转存TXT（PDF、word文档）
prompt: code in python3 env
function:PDF、pdf、doc、docx文档转存TXT，默认保存在运行环境下面，支持重定义。
参数描述：1、filePath 文件路径。2、savePath:保存路径 3、filename 文件名字 4、typename文件后缀
'''
import os,fnmatch
from win32com import client as wc
from win32com.client import Dispatch

def file2Txt(filePath,savaPath=''):
    try:
        #1、切分文件路径为文件目录和文件名
        dirs,filename = os.path.split(filePath)
        print('输入文档的当前路径和文件名字：',dirs,'\n',filename)

        #2、修改切分后的文件后缀
        typename = os.path.splitext(filename)[-1].lower()#获得文件后缀
        new_name = trantype(filename,typename)

        #3、设置新的文件保存路径
        if savaPath=='':
            savaPath = dirs
        else:
            savaPath = savaPath
        file2TxtPath = os.path.join(savaPath,new_name)
        print('转化以后的文件名路径-->',file2TxtPath)

        #4、加载文本提取的处理程序，Word、PDF - txt
        wordapp = wc.Dispatch('Word.Application')
        mytxt = wordapp.Documents.Open(filePath)

        #5、保存文档文本
        mytxt.SaveAs(file2TxtPath ,4)
        mytxt.Close()
        print('转化成功，文件保存为txt文件')
    except Exception as e :
        pass

#6、定义函数，重命名文件名字
def trantype(filename,typename):
    new_name=''
    if typename == '.pdf':
        if fnmatch.fnmatch(filename,'*.pdf'):
            new_name = filename[:-4] + '.txt'
        else: return
    elif typename == '.doc' or typename == '.docx':
        if fnmatch.fnmatch(filename,'*.doc') :
            new_name = filename[:-4] + '.txt'
        elif fnmatch.fnmatch(filename, '*docx'):
            new_name = filename[:-5] + '.txt'
        else:return
    else:
        print('警告:\n 您输入的文件不合法，本程序抽取doc,docx,pdf,PDF程序文件，请输入正确格式')
        return
    return new_name


if __name__=='__main__':
    filePath = os.path.abspath(r'./1234.docx')
    file2Txt(filePath)

 遍历文档，读取文件件中文档信息

 

# coding=utf-8
'''
author；Rocky
Description:遍历文档，打印文档的名字
prompt: code in python3 env
function:将文档里面的文档名字打印出来，并计算所有需要时间。默认保存在运行环境下面，支持重定义。
参数描述：1、time_start 开始时间。2、time_end 结束时间 3、 rootDir目录文件
'''
import os,fnmatch
from win32com import client as wc
from win32com.client import Dispatch
import time

class TraversalFun():
    #1、初始化,rootdir目录文件路径
    def __init__(self,rootDir):
        self.rootDir = rootDir

    #2、遍历目录文件
    def TraversalDir(self):
        TraversalFun.AllFiles(self, self.rootDir)

    #3、递归算法遍历所有文件，并打印文件名
    def AllFiles(self,rootDir):
        for lists in os.listdir(rootDir):
            path = os.path.join(rootDir,lists)
            if os.path.isfile(path):
                print(os.path.abspath(path))
            elif os.path.isdir(path):
                TraversalFun.AllFiles(self,path)

if __name__ == '__main__':
    time_start = time.time()
    rootDir = r"../2010"
    tra = TraversalFun(rootDir)
    tra.TraversalDir()
    time_end = time.time()
    print('totally cost:',(time_end - time_start),'s')

 

遍历整个文档，将pdf,word-txt保存

 

# coding=utf-8
'''
author；Rocky
Description:抽取文档中的word,pdf文档中的文字，转化为TXT保存。
prompt: code in python3 env
function:将文档里面的文档名字打印出来，并计算所有需要时间。默认保存在运行环境下面，支持重定义。
参数描述： 1、filePath 文件路径。2、savePath:保存路径 3、filename 文件名字 4、typename文件后缀 ，5、time_start 开始时间。6、time_end 结束时间 7、 rootDir目录文件
'''
import os,fnmatch
from win32com import client as wc
from win32com.client import Dispatch
import time
import ExtractTxt as ET #提取PDF、word文档的功能模块

class TraversalFun():
    #1、初始化,rootdir目录文件路径
    def __init__(self,rootDir,func=None,saveDir=''):
        self.rootDir = rootDir#目标文件路径
        self.func = func#参数方法，实现文本抽取
        self.saveDir = saveDir#文件夹保存路径

    #2、遍历目录文件
    def TraversalDir(self):
        #切分文件目录和文件名
        dirs,filename=os.path.split(self.rootDir)
        #保存目录
        saveDir=""
        if self.saveDir=="":
            save_dir = os.path.abspath(os.path.join(dirs,'new_',filename))
        else: save_dir = self.saveDir
        #创建保存路径
        if not os.path.exists(save_dir):
            os.makedirs(save_dir)
        print("保存目录:\n",save_dir)

        #遍历文件抽取Txt文本内容
        TraversalFun.AllFiles(self, self.rootDir,save_dir)

    #3、递归算法遍历所有文件，并打印文件名（并非目录文件）
    def AllFiles(self,rootDir,save_dir=''):
        #获取根目录下面所有文件
        for lists in os.listdir(rootDir):
            path = os.path.join(rootDir,lists)
            #核心算法，对文件的类型文本进行信息抽取并保存
            if os.path.isfile(path):
                self.func(os.path.abspath(path),os.path.abspath(save_dir))
            #递归遍历整个目录
            if os.path.isdir(path):
                newsave_dir = os.path.join(save_dir,lists)
                if not os.path.exists(newsave_dir):
                    os.mkdir(newsave_dir)
                TraversalFun.AllFiles(self,path,newsave_dir)

if __name__ == '__main__':
    time_start = time.time()
    rootDir = os.path.abspath(r'../2010')
    tra = TraversalFun(rootDir,ET.file2Txt)#调用ET的file2Txt的方法
    tra.TraversalDir()

    time_end = time.time()
    print('totally cost:',(time_end - time_start),'s')

 注意：调用项目中的ExtractTxt模块时，需要重新加载标记目录为源根文件夹。才可以使用封装的python写的模块（图片是标记后的截图） 其次转化过程中，word文档会提醒是否将文档转化，需要点击确定。

总结：win32插件实际使用python的office模块进行调用，将文档转化为txt文件。使用os模块读取文件路径进行写入。注意模块之间封装使用，可以调用加入新的代码段中。

特别感谢网友文章参考：

可以学习到什么东西，Python数据预处理（一）一抽取多源数据文本信息教程-慕课网

win32com操作大全（含常见错误解决办法） - 知乎