Python 文档解析工具：PDF 与 Word 文件读取

本文介绍如何使用 Python 解析 PDF 和 Word 文档，提取其中的文本内容，并提供一个统一的解析入口。

1. 安装依赖

1.1 安装 PyMuPDF（PDF 解析）

bash 复制代码

pip install PyMuPDF

1.2 安装 python-docx（Word 解析）

bash 复制代码

pip install python-docx

2. PDF 文档解析

2.1 PDF 解析工具类

python 复制代码

import fitz


class PdfUtil:

    @staticmethod
    def read(file) -> str:
        """
        读取 PDF 文本
        """
        text_list = []

        pdf = fitz.open(
            stream=file.read(),
            filetype="pdf"
        )

        for page in pdf:
            text_list.append(
                page.get_text()
            )

        file.seek(0)

        return "\n".join(text_list)

2.2 使用示例

python 复制代码

text = PdfUtil.read(upload_file.file)
print(text)

3. Word 文档解析

3.1 Word 解析工具类

python 复制代码

from docx import Document
from io import BytesIO


class WordUtil:

    @staticmethod
    def read(file) -> str:
        """
        读取 Word 文本
        """
        document = Document(
            BytesIO(file.read())
        )

        text_list = []

        for paragraph in document.paragraphs:
            if paragraph.text.strip():
                text_list.append(
                    paragraph.text.strip()
                )

        file.seek(0)

        return "\n".join(text_list)

3.2 使用示例

python 复制代码

text = WordUtil.read(upload_file.file)
print(text)

4. 统一解析入口（推荐）

4.1 统一解析工具类

python 复制代码

from app.utils.pdf_util import PdfUtil
from app.utils.word_util import WordUtil


class DocumentParser:

    @staticmethod
    def parse(file_type: str, file) -> str:
        """
        统一文档解析
        """
        if file_type == "pdf":
            return PdfUtil.read(file)

        if file_type == "docx":
            return WordUtil.read(file)

        if file_type == "doc":
            return WordUtil.read(file)

        raise Exception("不支持的文件类型")

4.2 使用示例

python 复制代码

# 解析文本
text = DocumentParser.parse(
    result.file_type,
    self.file.file
)