python实现批量pdf转txt和word

文章目录

背景需求

已经获取到了大量的pdf在download文件夹中,但是我需要的是txt文件和word文件~

环境安装

复制代码
pip install pdf2docx pdfminer.six

完整代码

复制代码
# pip install pdf2docx pdfminer.six

import os
from pdf2docx import Converter
from pdfminer.high_level import extract_text
# 忽略警告
import warnings
warnings.filterwarnings("ignore", category=UserWarning, module="pdf2docx")

# pdf转txt
def pdf_to_txt(pdf_path, txt_path):
    text = extract_text(pdf_path)
    with open(txt_path, 'w', encoding='utf-8') as f:
        f.write(text)

# pdf转word
def pdf_to_docx(pdf_path, docx_path):
    cv = Converter(pdf_path)
    cv.convert(docx_path, start=0, end=None)
    cv.close()

# 分批转换,文件格式检测
def batch_convert(download_folder, data_folder, output_format='txt'):
    # 确保输出文件夹存在
    if not os.path.exists(data_folder):
        os.makedirs(data_folder)

    # 遍历download文件夹中的所有PDF文件
    for filename in os.listdir(download_folder):
        if filename.endswith('.pdf'):
            pdf_path = os.path.join(download_folder, filename)

            if output_format == 'txt':
                txt_filename = os.path.splitext(filename)[0] + '.txt'
                txt_path = os.path.join(data_folder, txt_filename)
                pdf_to_txt(pdf_path, txt_path)

            elif output_format == 'docx':
                docx_filename = os.path.splitext(filename)[0] + '.docx'
                docx_path = os.path.join(data_folder, docx_filename)
                pdf_to_docx(pdf_path, docx_path)


# 转换txt
batch_convert('download', 'data_txt', output_format='txt')
# 转换word文件
batch_convert('download', 'data_docx', output_format='docx')

效果

相关推荐
koo3644 小时前
李宏毅机器学习笔记31
1024程序员节
开发者小天4 小时前
调整为 dart-sass 支持的语法,将深度选择器/deep/调整为::v-deep
开发语言·前端·javascript·vue.js·uni-app·sass·1024程序员节
fruge4 小时前
前端Sass完全指南:从入门到精通
1024程序员节
小超爱编程5 小时前
MyBatis 动态 SQL
1024程序员节
jiuri_12155 小时前
Docker使用详解:在ARM64嵌入式环境部署Python应用
python·docker·容器
Leinwin5 小时前
借助智能 GitHub Copilot 副驾驶 的 Agent Mode 升级 Java 项目
1024程序员节
chenchihwen5 小时前
AI代码开发宝库系列:Function Call
人工智能·python·1024程序员节·dashscope
黑翼杰克斯5 小时前
如何裁剪u-boot,保留其必要功能,使体积尽可能小
linux·1024程序员节
.格子衫.6 小时前
022数据结构之树状数组——算法备赛
数据结构·算法·1024程序员节
lpfasd1237 小时前
第十章-Tomcat性能测试与实战案例
1024程序员节