Python中的PDF文本提取:使用fitz和wxPython库(带进度条)

引言:

处理大量PDF文档的文本提取任务可能是一项繁琐的工作。本文将介绍一个使用Python编写的工具,可通过简单的操作一键提取大量PDF文档中的文本内容,极大地提高工作效率。

python 复制代码
import wx
import pathlib
import fitz

class PDFExtractor(wx.Frame):
    def __init__(self, parent, title):
        super(PDFExtractor, self).__init__(parent, title=title, size=(400, 200))
        
        panel = wx.Panel(self)
        vbox = wx.BoxSizer(wx.VERTICAL)
        
        self.file_picker = wx.FilePickerCtrl(panel, style=wx.FLP_DEFAULT_STYLE | wx.FLP_USE_TEXTCTRL)
        self.save_picker = wx.DirPickerCtrl(panel, style=wx.DIRP_DEFAULT_STYLE | wx.DIRP_USE_TEXTCTRL)
        self.extract_button = wx.Button(panel, label="提取")
        
        self.extract_button.Bind(wx.EVT_BUTTON, self.on_extract)
        
        vbox.Add(wx.StaticText(panel, label="选择PDF文件:"), 0, wx.ALL | wx.EXPAND, 5)
        vbox.Add(self.file_picker, 0, wx.ALL | wx.EXPAND, 5)
        vbox.Add(wx.StaticText(panel, label="选择输出路径:"), 0, wx.ALL | wx.EXPAND, 5)
        vbox.Add(self.save_picker, 0, wx.ALL | wx.EXPAND, 5)
        vbox.Add(self.extract_button, 0, wx.ALL | wx.CENTER, 5)
        
        panel.SetSizer(vbox)
        
    def on_extract(self, event):
        pdf_path = self.file_picker.GetPath()
        save_path = self.save_picker.GetPath()
        
        if pdf_path and save_path:
            progress_dialog = wx.ProgressDialog("提取进度", "正在提取...", maximum=100, parent=self)
            
            try:
                with fitz.open(pdf_path) as doc:
                    total_pages = len(doc)
                    progress = 0
                    
                    for index, page in enumerate(doc):
                        text = page.get_text()
                        output_file = pathlib.Path(save_path) / f"page_{index + 1}.txt"
                        output_file.write_text(text, encoding="utf-8")
                        
                        progress = int((index + 1) / total_pages * 100)
                        progress_dialog.Update(progress, f"正在提取第 {index + 1} 页 / 共 {total_pages} 页")
                        
                    progress_dialog.Update(100, "提取完成!")
                    wx.MessageBox("提取完成!", "成功", wx.OK | wx.ICON_INFORMATION)
            except Exception as e:
                wx.MessageBox(str(e), "错误", wx.OK | wx.ICON_ERROR)
            finally:
                progress_dialog.Destroy()
        else:
            wx.MessageBox("请选择PDF文件和输出路径!", "错误", wx.OK | wx.ICON_ERROR)

def main():
    app = wx.App()
    frame = PDFExtractor(None, "PDF提取器")
    frame.Show()
    app.MainLoop()

if __name__ == '__main__':
    main()

在这个示例中,我们创建了一个wx.ProgressDialog对象,用于显示提取进度。在提取每一页的文本时,我们使用enumerate函数获取当前页的索引,并根据总页数计算提取进度的百分比。然后,我们使用progress_dialog.Update方法更新进度条的进度和显示的文本。

请注意,由于提取过程可能需要一些时间,所以我们使用进度条对话框来显示进度并阻止用户的交互。在提取完成后,进度条对话框会自动关闭。

其中:

1)文档选择:

python 复制代码
      self.file_picker = wx.FilePickerCtrl(panel, style=wx.FLP_DEFAULT_STYLE | wx.FLP_USE_TEXTCTRL)

2、文件夹选择:

python 复制代码
   self.save_picker = wx.DirPickerCtrl(panel, style=wx.DIRP_DEFAULT_STYLE | wx.DIRP_USE_TEXTCTRL)

3、进度显示:

python 复制代码
progress = int((index + 1) / total_pages * 100)
                        progress_dialog.Update(progress, f"正在提取第 {index + 1} 页 / 共 {total_pages} 页")
                        
                    progress_dialog.Update(100, "提取完成!")

4、最重要的:获得pdf中的文本:

python 复制代码
with fitz.open(pdf_path) as doc:
     total_pages = len(doc)
     progress = 0
                    
     for index, page in enumerate(doc):
         text = page.get_text()
         output_file = pathlib.Path(save_path) / f"page_{index + 1}.txt"
         output_file.write_text(text, encoding="utf-8")

结果如下:

相关推荐
一个天蝎座 白勺 程序猿2 小时前
Python爬虫(47)Python异步爬虫与K8S弹性伸缩:构建百万级并发数据采集引擎
爬虫·python·kubernetes
XiaoMu_0013 小时前
基于Django+Vue3+YOLO的智能气象检测系统
python·yolo·django
honder试试4 小时前
焊接自动化测试平台图像处理分析-模型训练推理
开发语言·python
心本无晴.4 小时前
Python进程,线程
python·进程
小白电脑技术5 小时前
PDF教程|如何把想要的网页保存下来?
pdf·电脑
java1234_小锋7 小时前
Scikit-learn Python机器学习 - 特征降维 压缩数据 - 特征提取 - 主成分分析 (PCA)
python·机器学习·scikit-learn
java1234_小锋7 小时前
Scikit-learn Python机器学习 - 特征降维 压缩数据 - 特征提取 - 线性判别分析 (LDA)
python·机器学习·scikit-learn
思辨共悟7 小时前
Python的价值:突出在数据分析与挖掘
python·数据分析
我没想到原来他们都是一堆坏人8 小时前
通过Gen AI SDK调用gemini 2.5 pro,单独上传pdf文件 | ai agent 开发笔记 2025.9.2 Day 2
ai·google·pdf·sdk·gemini
计算机毕业设计木哥8 小时前
计算机毕设选题:基于Python+Django的B站数据分析系统的设计与实现【源码+文档+调试】
java·开发语言·后端·python·spark·django·课程设计