Python批量提取PDF文件中的文本

首先需要执行命令pip install pdfminer3k来安装处理PDF文件的扩展库。

import os
import sys
import time
pdfs = (pdfs for pdfs in os.listdir('.') if pdfs.endswith('.pdf'))
for pdf1 in pdfs:
    pdf = pdf1.replace(' ', '_').replace('-', '_').replace('&', '_')
    os.rename(pdf1, pdf)
    print('='*30)
    print(pdf)
    
    txt = pdf[:-4] + '.txt'
    exe = '"' + sys.executable + '" "'
    pdf2txt = os.path.dirname(sys.executable)
    pdf2txt = pdf2txt + '\\scripts\\pdf2txt.py" -o '
    try:
        #调用命令行工具pdf2txt.py进行转换
        #如果pdf加密过可以改写下面的代码
        #在-o前面使用-P来指定密码
        cmd = exe + pdf2txt + txt + ' ' + pdf
        os.popen(cmd)
        #转换需要一定时间，一般小文件2秒钟足够了
        time.sleep(2)
        #输出转换后的文本，前200个字符
        with open(txt, encoding='utf8') as fp:
            print(fp.read(200))
    except:
        pass