PyPDF2读取PDF文件内容保存到本地TXT实例

在Python编程环境中，处理PDF文件是一项常见的任务，特别是在数据处理和文档管理方面。PyPDF2是一个强大的库，专为PDF文件的读写和操作而设计。在这个实例中，我们将深入探讨如何使用PyPDF2库来读取PDF文件的内容并将其保存到本地的TXT文件。 我们导入必要的库，包括PyPDF2和pandas。`PdfFileReader`是PyPDF2的核心类，用于打开和读取PDF文件。而pandas在这里的作用是将提取出的文本数据结构化，便于后续处理。 ```python from PyPDF2.pdf import PdfFileReader import pandas as pd ``` `Pdf_to_txt`函数是实现PDF到TXT转换的主要逻辑。它遍历PDF中的每一页，使用`getPage`方法获取页面内容，并调用`extractText`方法提取文本。提取的文本通常是以`\n`分隔的多行，因此可以使用`split`方法将其拆分为列表。 然后，根据行数将文本数据存储到不同的列表中，这里假设每一页最多有8行。这个结构可能适用于特定格式的PDF文件，但不是所有PDF文件都符合这种格式。对于更通用的解决方案，可以考虑不预先定义行数，而是动态地处理文本。 ```python def Pdf_to_txt(pdf): for i in range(0, pdf.getNumPages()): # ... (提取文本的代码) ``` 接着，创建一个DataFrame来存储每一页的数据，并将其保存为TXT文件。DataFrame允许我们以表格形式存储数据，方便处理。使用`to_csv`方法将DataFrame写入TXT文件，设置`index=False`表示不写入索引，`sep='\t'`设置字段间的分隔符为制表符。 ```python df = pd.DataFrame(data, columns=['Lin1', 'Lin2', 'Lin3', 'Lin4', 'Lin5', 'Lin6', 'Lin7', 'Lin8']) file_name = title[0] + '_page' + str((i + 1)) df.to_csv('tool/pdf解析/%s.txt' % file_name, index=False, sep='\t') ``` `if __name__ == '__main__':`确保这段代码只在当前脚本运行时执行，而不是作为模块被导入时。它打开指定路径的PDF文件，创建`PdfFileReader`对象，并调用`Pdf_to_txt`函数处理文件。 关于补充知识部分，提到了使用PyPDF2进行PDF页面删除的操作。这通常涉及到创建一个新的PDF文件，不包含要删除的页面。创建一个新目录来存储拆分的单页PDF，然后使用`PdfFileReader`和`PdfFileWriter`分别读取和写入PDF。通过`removePage`方法移除指定页码的页面，最后使用`write`方法将更新后的PDF写入新的文件。 ```python # ... (创建新目录的代码) def pdf_pages_remove(input_path, output_path, pages_to_remove): with open(input_path, "rb") as file: reader = PyPDF2.PdfFileReader(file) writer = PyPDF2.PdfFileWriter() for page_num in range(reader.numPages): if page_num not in pages_to_remove: writer.addPage(reader.getPage(page_num)) with open(output_path, "wb") as new_file: writer.write(new_file) ``` 总结来说，这个实例展示了如何使用PyPDF2库读取PDF文件的内容并将其转换为TXT格式，以及如何通过PyPDF2进行PDF页面的删除操作。这些功能在处理大量PDF文档时非常有用，尤其是在需要提取文本、清理数据或调整PDF结构的场景下。