上一篇文章中已經(jīng)介紹了簡(jiǎn)單的python爬網(wǎng)頁(yè)下載文檔，但下載后的文檔多為doc或pdf，對(duì)于數(shù)據(jù)處理仍然有很多限制，所以將doc／pdf轉(zhuǎn)換成txt顯得尤為重要。查找了很多資料，在linux下要將doc轉(zhuǎn)換成txt確實(shí)有難度，所以考慮先將pdf轉(zhuǎn)換成txt。

師兄推薦使用PDFMiner來(lái)處理，嘗試了一番，確實(shí)效果不錯(cuò)，在此和大家分享。

PDFMiner?的簡(jiǎn)介：PDFMiner is a tool for extracting information from PDF documents. Unlike other PDF-related tools, it focuses entirely on getting and analyzing text data.有興趣的同學(xué)請(qǐng)通過(guò)官網(wǎng)進(jìn)行詳細(xì)查看，通過(guò)PDFMiner中的小工具pdf2txt.py，便能將pdf轉(zhuǎn)換成txt，而且仍保留pdf中的格式，超贊！

閱讀pdf2txt.py的源碼，我們可以看到具體的實(shí)現(xiàn)步驟，為了以后能處理大規(guī)模的pdf文件，這里我們只提取出pdf轉(zhuǎn)換成txt的部分，具體實(shí)現(xiàn)代碼如下：

# -*- coding: utf-8 -*-

#-----------------------------------------------------

# 功能：將pdf轉(zhuǎn)換成txt(不處理圖片)

# 作者：chenbjin

# 日期：2014-07-11

# 語(yǔ)言：Python 2.7.6

# 環(huán)境：linux(ubuntu)

# PDFMiner20140328(Must be installed)

# 使用：python pdf2txt.py file.pdf

#-----------------------------------------------------

import sys

from pdfminer.pdfinterp import PDFResourceManager,PDFPageInterpreter

from pdfminer.converter import TextConverter

from pdfminer.layout import LAParams

from pdfminer.pdfpage import PDFPage

#main

def main(argv) :

#輸出文件名，這里只處理單文檔，所以只用了argv［1］

outfile = argv[1] + ‘.txt‘

args = [argv[1]]

debug = 0

pagenos = set()

password = ‘‘

maxpages = 0

rotation = 0

codec = ‘utf-8‘ #輸出編碼

caching = True

imagewriter = None

laparams = LAParams()

#

PDFResourceManager.debug = debug

PDFPageInterpreter.debug = debug

rsrcmgr = PDFResourceManager(caching=caching)

outfp = file(outfile,‘w‘)

#pdf轉(zhuǎn)換

device = TextConverter(rsrcmgr, outfp, codec=codec, laparams=laparams,

imagewriter=imagewriter)

for fname in args:

fp = file(fname,‘rb‘)

interpreter = PDFPageInterpreter(rsrcmgr, device)

#處理文檔對(duì)象中每一頁(yè)的內(nèi)容

for page in PDFPage.get_pages(fp, pagenos,

maxpages=maxpages, password=password,

caching=caching, check_extractable=True) :

page.rotate = (page.rotate+rotation) % 360

interpreter.process_page(page)

fp.close()

device.close()

outfp.close()

return

if __name__ == ‘__main__‘ : main(sys.argv)

下一步將嘗試將pdf中的圖片進(jìn)行轉(zhuǎn)換，可以通過(guò)http://denis.papathanasiou.org/2010/08/04/extracting-text-images-from-pdf-files/ 進(jìn)行了解。

參考資料：

1.PDFMiner：http://www.unixuser.org/~euske/python/pdfminer/

總結(jié)

以上是生活随笔為你收集整理的python pdf转txt保留全部信息_Python 将pdf转换成txt（不处理图片）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。