我正在將文檔從pdf轉換為文本。pdf當前位于一個文件夾中，然后在txt轉換后保存到另一個文件夾中。我有很多這樣的文檔，更喜歡迭代子文件夾并保存到txt文件夾中具有相同名稱的子文件夾，但在添加該層時遇到問題。我知道我可以使用glob以遞歸方式迭代，并對文件列表等執行此操作。但不清楚如何將文件從這個保存到新文件夾。這不是完全必要的，但會更方便和高效。有沒有一個好方法可以做到這一點？import osimport iofrom pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreterfrom pdfminer.converter import TextConverterfrom pdfminer.layout import LAParamsfrom pdfminer.pdfpage import PDFPagedef convert(fname, pages=None): if not pages: pagenums = set() else: pagenums = set(pages) output = io.StringIO() manager = PDFResourceManager() converter = TextConverter(manager, output, laparams=LAParams()) interpreter = PDFPageInterpreter(manager, converter) infile = open(fname, 'rb') for page in PDFPage.get_pages(infile, pagenums): interpreter.process_page(page) infile.close() converter.close() text = output.getvalue() output.close return text print(text)def convertMultiple(pdfDir, txtDir): if pdfDir == "": pdfDir = os.getcwd() + "\\" #if no pdfDir passed in for pdf in os.listdir(pdfDir): #iterate through pdfs in pdf directory fileExtension = pdf.split(".")[-1] if fileExtension == "pdf": pdfFilename = pdfDir + pdf text = convert(pdfFilename) textFilename = txtDir + pdf.split(".")[0] + ".txt" textFile = open(textFilename, "w") textFile.write(text) pdfDir = r"C:/Users/Documents/pdf/"txtDir = r"C:/Users/Documents/txt/"convertMultiple(pdfDir, txtDir)
1 回答
MMTTMM
TA貢獻1869條經驗 獲得超4個贊
正如你所建議的，在這里工作得很好。它甚至可以僅過濾文件。glob.pdf
測試后取消注釋 3 行。
import os, glob
def convert_multiple(pdf_dir, txt_dir):
if pdf_dir == "": pdf_dir = os.getcwd() # If no pdf_dir passed in
for filepath in glob.iglob(f"{pdf_dir}/**/*.pdf", recursive=True):
text = convert(filepath)
root, _ = os.path.splitext(filepath) # Remove extension
txt_filepath = os.path.join(txt_dir, os.path.relpath(root, pdf_dir)) + ".txt"
txt_filepath = os.path.normpath(txt_filepath) # Not really necessary
print(txt_filepath)
# os.makedirs(os.path.dirname(txt_filepath), exist_ok=True)
# with open(txt_filepath, "wt") as f:
# f.write(text)
pdf_dir = r"C:/Users/Documents/pdf/"
txt_dir = r"C:/Users/Documents/txt/"
convert_multiple(pdf_dir, txt_dir)
若要確定新文件的文件路徑，請使用 os.path 模塊中的函數。.txt
os.path.relpath(filepath, pdf_dir)返回文件的文件路徑，包括與 相關的任何子目錄。pdf_dir
假設是：filepath
C:/Users/Documents/pdf/Setec Astronomy/employees.pdf
并且是pdf_dir
C:/Users/Documents/pdf/
它將返回，然后可以將其傳遞給 ，從而為我們提供了包含額外子目錄的完整文件路徑。Setec Astronomy/employees.pdfos.path.join()txt_dir
你可以這樣做，但你必須確保所有相應的斜杠都在同一個方向上，并且沒有額外/缺失的前導/尾隨斜杠。txt_filepath = filepath.replace(filepath, pdf_dir)
在打開新文件之前，需要創建任何和所有子目錄。 調用以獲取文件目錄的文件路徑，并將其參數設置為 ，以在目錄已存在時禁止顯示異常。.txtos.path.dirname()os.makedirs()exist_okTrueFileExistsError
打開文件時使用語句以避免顯式調用 ，特別是在出現任何異常的情況下。with.txt.close()
添加回答
舉報
0/150
提交
取消