上一篇文章中已经介绍了简单的python爬网页下载文档,但下载后的文档多为doc或pdf,对于数据处理仍然有很多限制,所以将doc/pdf转换成txt显得尤为重要。查找了很多资料,在linux下要将doc转换成txt确实有难度,所以考虑先将pdf转换成txt。
师兄推荐使用PDFMiner来处理,尝试了一番,确实效果不错,在此和大家分享。
PDFMiner 的简介:PDFMiner is a tool for extracting information from PDF documents. Unlike other PDF-related tools, it focuses entirely on getting and analyzing text data.有兴趣的同学请通过官网进行详细查看,通过PDFMiner中的小工具pdf2txt.py,便能将pdf转换成txt,而且仍保留pdf中的格式,超赞!
阅读pdf2txt.py的源码,我们可以看到具体的实现步骤,为了以后能处理大规模的pdf文件,这里我们只提取出pdf转换成txt的部分,具体实现代码如下:
# -*- coding: utf-8 -*- #----------------------------------------------------- # 功能:将pdf转换成txt(不处理图片) # 作者:chenbjin # 日期:2014-07-11 # 语言:Python 2.7.6 # 环境: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) : #输出文件名,这里只处理单文档,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‘ #输出编码 caching = True imagewriter = None laparams = LAParams() # PDFResourceManager.debug = debug PDFPageInterpreter.debug = debug rsrcmgr = PDFResourceManager(caching=caching) outfp = file(outfile,‘w‘)
#pdf转换 device = TextConverter(rsrcmgr, outfp, codec=codec, laparams=laparams, imagewriter=imagewriter)
for fname in args: fp = file(fname,‘rb‘) interpreter = PDFPageInterpreter(rsrcmgr, device)
#处理文档对象中每一页的内容 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)
下一步将尝试将pdf中的图片进行转换,可以通过http://denis.papathanasiou.org/2010/08/04/extracting-text-images-from-pdf-files/ 进行了解。
参考资料:
1.PDFMiner:http://www.unixuser.org/~euske/python/pdfminer/
Python 将pdf转换成txt(不处理图片),布布扣,bubuko.com
原文:http://www.cnblogs.com/chenbjin/p/3837453.html