python如何把pdf转txt

使用Python将PDF转换为TXT的核心步骤包括：选择适合的PDF处理库、处理PDF文本提取、保存为TXT文件。其中，最常用的PDF处理库包括PyPDF2、pdfminer.six和PyMuPDF，每个库都有其独特的优势和使用场景。接下来，我将详细描述如何使用这些库来实现PDF到TXT的转换。

一、选择适合的PDF处理库

在Python中，有多个库可以用来处理PDF文件。选择合适的库取决于具体需求，如处理速度、支持的PDF格式以及提取文本的准确性等。

1、PyPDF2

PyPDF2是一个纯Python编写的库，用于处理PDF文件。它可以读取、合并、拆分和加密PDF文件，但在提取文本方面可能不如其他库强大。

安装PyPDF2

pip install PyPDF2

使用PyPDF2提取文本

import PyPDF2
def pdf_to_txt_pypdf2(pdf_path, txt_path):
    with open(pdf_path, 'rb') as pdf_file:
        reader = PyPDF2.PdfFileReader(pdf_file)
        with open(txt_path, 'w') as txt_file:
            for page_num in range(reader.numPages):
                page = reader.getPage(page_num)
                txt_file.write(page.extract_text() + 'n')
pdf_to_txt_pypdf2('example.pdf', 'output.txt')

2、pdfminer.six

pdfminer.six是一个功能强大的库，专门用于从PDF文件中提取文本。它支持高级文本分析和处理，但使用起来稍微复杂一些。

安装pdfminer.six

pip install pdfminer.six

使用pdfminer.six提取文本

from pdfminer.high_level import extract_text
def pdf_to_txt_pdfminer(pdf_path, txt_path):
    text = extract_text(pdf_path)
    with open(txt_path, 'w') as txt_file:
        txt_file.write(text)
pdf_to_txt_pdfminer('example.pdf', 'output.txt')

3、PyMuPDF (fitz)

PyMuPDF是一个高性能的PDF处理库，支持快速准确的文本提取和图像处理。

安装PyMuPDF

pip install PyMuPDF

使用PyMuPDF提取文本

import fitz  # PyMuPDF
def pdf_to_txt_pymupdf(pdf_path, txt_path):
    document = fitz.open(pdf_path)
    with open(txt_path, 'w') as txt_file:
        for page_num in range(len(document)):
            page = document.load_page(page_num)
            txt_file.write(page.get_text() + 'n')
pdf_to_txt_pymupdf('example.pdf', 'output.txt')

二、处理PDF文本提取

1、处理不同的PDF格式

在处理PDF文件时，经常会遇到各种不同的格式和结构。这些不同的格式可能会影响文本提取的效果。为了应对这些挑战，可以结合使用多个库，或在提取文本后进行进一步的清理和处理。

组合使用多个库

from PyPDF2 import PdfFileReader
from pdfminer.high_level import extract_text as extract_text_pdfminer
import fitz
def pdf_to_txt_combined(pdf_path, txt_path):
    text = ''
    # Try PyMuPDF first
    try:
        document = fitz.open(pdf_path)
        for page_num in range(len(document)):
            page = document.load_page(page_num)
            text += page.get_text() + 'n'
    except Exception as e:
        print(f"PyMuPDF failed: {e}")
    # If PyMuPDF fails, try pdfminer.six
    if not text:
        try:
            text = extract_text_pdfminer(pdf_path)
        except Exception as e:
            print(f"pdfminer.six failed: {e}")
    # As a last resort, use PyPDF2
    if not text:
        try:
            with open(pdf_path, 'rb') as pdf_file:
                reader = PdfFileReader(pdf_file)
                for page_num in range(reader.numPages):
                    page = reader.getPage(page_num)
                    text += page.extract_text() + 'n'
        except Exception as e:
            print(f"PyPDF2 failed: {e}")
    with open(txt_path, 'w') as txt_file:
        txt_file.write(text)
pdf_to_txt_combined('example.pdf', 'output.txt')

2、处理提取的文本

提取后的文本可能包含多余的空行、乱码或其他不需要的字符。可以使用正则表达式和字符串操作方法进行清理。

清理提取的文本

import re
def clean_text(text):
    # 去除多余的空行
    text = re.sub(r'ns*n', 'n', text)
    # 去除多余的空格
    text = re.sub(r's+', ' ', text)
    # 去除乱码
    text = re.sub(r'[^x00-x7F]+', '', text)
    return text
def pdf_to_clean_txt(pdf_path, txt_path):
    text = extract_text(pdf_path)
    clean_text_content = clean_text(text)
    with open(txt_path, 'w') as txt_file:
        txt_file.write(clean_text_content)
pdf_to_clean_txt('example.pdf', 'clean_output.txt')

三、保存为TXT文件

1、文本保存方法

在提取文本并进行清理后，可以将其保存为TXT文件。推荐使用UTF-8编码，以确保支持各种字符集。

保存为UTF-8编码的TXT文件

def save_text_to_file(text, txt_path):
    with open(txt_path, 'w', encoding='utf-8') as txt_file:
        txt_file.write(text)
def pdf_to_txt_with_saving(pdf_path, txt_path):
    text = extract_text(pdf_path)
    clean_text_content = clean_text(text)
    save_text_to_file(clean_text_content, txt_path)
pdf_to_txt_with_saving('example.pdf', 'final_output.txt')

2、处理大文件

对于大文件，可以逐页处理并逐步写入TXT文件，以节省内存资源。

逐页处理大文件

def pdf_to_txt_large_file(pdf_path, txt_path):
    with open(txt_path, 'w', encoding='utf-8') as txt_file:
        document = fitz.open(pdf_path)
        for page_num in range(len(document)):
            page = document.load_page(page_num)
            txt_file.write(page.get_text() + 'n')
pdf_to_txt_large_file('large_example.pdf', 'large_output.txt')

四、实例和应用

1、结合项目管理系统

在实际项目中，处理PDF文件和管理项目进度通常是紧密相关的。例如，可以将PDF转换为TXT的任务集成到项目管理系统中，如研发项目管理系统PingCode和通用项目管理软件Worktile，以更好地跟踪和管理文档处理任务。

在PingCode中集成PDF处理

from pingcode import PingCodeAPI
def integrate_with_pingcode(api_key, project_id, pdf_path, txt_path):
    pdf_to_txt_with_saving(pdf_path, txt_path)
    api = PingCodeAPI(api_key)
    api.upload_file(project_id, txt_path)
integrate_with_pingcode('your_api_key', 'your_project_id', 'example.pdf', 'final_output.txt')

在Worktile中集成PDF处理

from worktile import WorktileAPI
def integrate_with_worktile(api_key, project_id, pdf_path, txt_path):
    pdf_to_txt_with_saving(pdf_path, txt_path)
    api = WorktileAPI(api_key)
    api.upload_file(project_id, txt_path)
integrate_with_worktile('your_api_key', 'your_project_id', 'example.pdf', 'final_output.txt')

2、自动化工作流

通过将PDF转换为TXT的过程自动化，可以极大提高工作效率。例如，可以使用定时任务或触发器来自动处理新上传的PDF文件。

使用定时任务自动处理PDF

import schedule
import time
def job():
    pdf_to_txt_with_saving('new_example.pdf', 'new_output.txt')
schedule.every().day.at("10:00").do(job)
while True:
    schedule.run_pending()
    time.sleep(1)

使用触发器自动处理PDF

from watchdog.observers import Observer
from watchdog.events import FileSystemEventHandler
class PDFHandler(FileSystemEventHandler):
    def on_created(self, event):
        if event.src_path.endswith('.pdf'):
            pdf_to_txt_with_saving(event.src_path, event.src_path.replace('.pdf', '.txt'))
event_handler = PDFHandler()
observer = Observer()
observer.schedule(event_handler, path='.', recursive=False)
observer.start()
try:
    while True:
        time.sleep(1)
except KeyboardInterrupt:
    observer.stop()
observer.join()

通过以上这些步骤和技巧，您可以高效地使用Python将PDF文件转换为TXT文件，并将该过程集成到项目管理系统或自动化工作流中，以提高工作效率和文档处理能力。