python讀取pdf內容寫入txt

Ⅰ 如何利用python抓取pdf中的某些內容

你的問題事實上包含幾部分：

將 PDF 轉化為帶數純文本格式蠢肆首
抽取其中部分內容
格式化寫雹帆入到 excel 中

轉換 PDF 有很多庫可以完成，如下是通過 pdfminer 的示例：
from cStringIO import StringIO

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage

def convert_pdf_2_text(path):

rsrcmgr = PDFResourceManager()
retstr = StringIO()

device = TextConverter(rsrcmgr, retstr, codec='utf-8', laparams=LAParams())
interpreter = PDFPageInterpreter(rsrcmgr, device)

with open(path, 'rb') as fp:
for page in PDFPage.get_pages(fp, set()):
interpreter.process_page(page)
text = retstr.getvalue()

device.close()
retstr.close()

return text

需要指出的是，pdfminer 不但可以將 PDF 轉換為 text 文本，還可以轉換為 HTML 等帶有標簽的文本。上面只是最簡單的示例，如果每頁有很獨特的標志，你還可以按頁單獨處理。

Ⅱ python如何讀取word文件中的文本內容並寫入到新的txt文件

Ⅲ python如何讀取word文件中的文本內容並寫入到新的txt文件

#確保安裝了察唯python-docx包
from docx import Document as Doc
docu=Doc(input('path:'))
file=''
for i in docu.paragraphs:
----file+=i.text
f=open(input('new path:'),'w',encoding='utf-8')
f.write(file)
f.close()
#減號的位橘沒純置圓咐是縮進

Ⅳ python怎樣讀取pdf文件的內容

1，引言
晚上翻看《Python網路數據採集》這本書，看到讀取PDF內容的代碼，想起來前幾天集搜客剛剛發布了一個抓取網頁pdf內容的抓取規則，這個規則能夠把pdf內容當成html來做網頁抓取。神奇之處要歸功於Firefox解析PDF的能力，能夠把pdf格式轉換成html標簽，比如，div之類的標簽，從而用GooSeeker網頁抓取軟體像抓普通網頁一樣抓取結構化內容。
從而產生了一個問題：用Python爬蟲的話，能做到什麼程度。下面將講述一個實驗過程和源代碼。
2，把pdf轉換成文本的Python源代碼
下面的python源代碼，讀取pdf文件內容(互聯網上的或是本地的)，轉換成文本，列印出來。這段代碼主要用了一個第三方庫PDFMiner3K把PDF讀成字元串，然後用StringIO轉換成文件對象。（源代碼下載地址參看文章末尾的GitHub源）
復制代碼
from urllib.request import urlopen
from pdfminer.pdfinterp import PDFResourceManager, process_pdf
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from io import StringIO
from io import open
def readPDF(pdfFile):
rsrcmgr = PDFResourceManager()
retstr = StringIO()
laparams = LAParams()
device = TextConverter(rsrcmgr, retstr, laparams=laparams)
process_pdf(rsrcmgr, device, pdfFile)
device.close()
content = retstr.getvalue()
retstr.close()
return content
pdfFile = urlopen("http://pythonscraping.com/pages/warandpeace/chapter1.pdf")
outputString = readPDF(pdfFile)
print(outputString)
pdfFile.close()
復制代碼
如果PDF文件在你的電腦里，那就把urlopen返回的對象pdfFile替換成普通的open()文件對象。
3，展望
這個實驗只是把pdf轉換成了文本，但是沒有像開頭所說的轉換成html標簽，那麼在Python編程環境下是否有這個能力，留待今後探索。
4，集搜客GooSeeker開源代碼下載源
1. GooSeeker開源Python網路爬蟲GitHub源
5，文檔修改歷史
2016-05-26：V2.0，增補文字說明
2016-05-29：V2.1，增加第六章：源代碼下載源，並更換github源的網址

Ⅳ 如何利用Python抓取PDF中的某些內容

可以轉換成TXT再抓取

fromcStringIOimportStringIO
frompdfminer.pdfinterp
importPDFResourceManager,PDFPageInterpreter
frompdfminer.converterimportTextConverter
frompdfminer..pdfpage
importPDFPage
defconvert_pdf_2_text(path):

rsrcmgr=PDFResourceManager()
retstr=StringIO()

device=TextConverter(rsrcmgr,retstr,codec='utf-8',laparams=LAParams())
interpreter=PDFPageInterpreter(rsrcmgr,device)

withopen(path,'rb')asfp:
forpageinPDFPage.get_pages(fp,set()):
interpreter.process_page(page)
text=retstr.getvalue()

device.close()
retstr.close()

returntext

Ⅵ python讀取文件—txt文件常用讀寫操作

f = open("data.txt","r")   #設置文件對象

f.close() #關閉文件

為了方便，避免忘記close掉這個文件對象，可以用下面這種方式替代

with open('data.txt',"r") as f:    #設置文件對象

 str = f.read()    #可以是隨便對文件的操作

f = open("data.txt","r")   #設置文件對象

str = f.read()     #將txt文件的所有內容讀入到字元串str中

f.close()   #將文件關閉

f = open("data.txt","r")   #設置文件對象

line = f.readline()

line = line[:-1]

while line:             #直到讀取完文件

     line = f.readline()  #讀取一行文件，包括換行符

     line = line[:-1]     #去掉換行符，也可以不去

f.close() #關閉文件

data = []

for line in open("data.txt","r"): #設置文件對象並讀取每一行文件

     data.append(line)               #將每一行文件加入到list中

 f = open("data.txt","r")   #設置文件對象

 data = f.readlines()  #直接將文件中按行讀到list里，效果與方法2一樣

 f.close()             #關閉文件

可以使用pandas的.read_csv，讀取文件的時候可以給每一列起名字，通過列名來調取相應列的數據。

import pandas as pd

data = pd.read_csv(" OSDO1012.txt",sep=',',header=None, names=['lat','lon','time','z']

使用data.lat就可以讀取名為lat這一列的數據

 data = np.loadtxt("data.txt",skiprows = 1)   #將文件中數據載入到data數組里，並且跳過第一行

 with open('data.txt','w') as f:    #設置文件對象

    f.write(str)                 #將字元串寫入文件中

data = ['a','b','c']

單層列表寫入文件

with open("data.txt","w") as f:

    f.writelines(data)

每一項用空格隔開，一個列表是一行寫入文件

data =[ ['a','b','c'],['a','b','c'],['a','b','c']]

with open("data.txt","w") as f:                      #設置文件對象

     for i in data:                                    #對於雙層列表中的數據

      i = str(i).strip('[').strip(']').replace(',','').replace('\'','')+'\n'  #將其中每一個列表規范化成字元串

     f.write(i)                      #寫入文件

直接將每一項都寫入文件

data =[ ['a','b','c'],['a','b','c'],['a','b','c']]

with open("data.txt","w") as f:                    #設置文件對象

     for i in data:                                      #對於雙層列表中的數據

          f.writelines(i)                            #寫入文件

np.savetxt("data.txt",data)     #將數組中數據寫入到data.txt文件

np.save("data.txt",data)        #將數組中數據寫入到data.txt文件

Ⅶ python中有什麼包可以吧pdf文件轉換為txt文件

## {{{ http://code.activestate.com/recipes/577095/ (r1)

import sys

import pyPdf

def getPDFContent(path):

content = ""

# Load PDF into pyPDF

pdf = pyPdf.PdfFileReader(file(path, "rb"))

# Iterate pages

for I in range(0, pdf.getNumPages()):

# Extract text from page and add to content

content += pdf.getPage(i).extractText() + "擾明和緩盯 \n"

# Collapse whitespace

content = u" ".join(content.replace(u"\xa0", u" ").strip().split())

return content

f = open(sys.argv[1]+'.txt','w+'槐悔)

f.write(getPDFContent(sys.argv[1]))

f.close()

#print getPDFContent(sys.argv[1]).encode("ascii", "xmlcharrefreplace")

## end of http://code.activestate.com/recipes/577095/ }}}

Ⅷ python文件讀取與寫入

open(filepath) ：打開文件
open(filepath,'r') :打開方式，默認是讀取

open(filepath).read() ：讀取文件中的內容
open(filepath).readline() :讀取文件中一行的內容
open(filepath).readline()[1] :讀取文件中的內容，返回值是列表。
open(filepath).close() ：關閉文件
open(filepath).seek(0) ：將游標回到首位

with open()函數，不用close()方法，默認自動關閉，所以需要制定一些規則.

文件內建函數和方法：
open() : 打開文件
read() :輸入
readline() :輸入一行
seek() :文件內移動
write() :輸出
close() :關閉文件

Ⅸ python怎樣讀取pdf文件的內容

可以先把pdf轉成txt再讀取，使用轉換工升笑具就行了
推薦一款免費的在線轉換工具給你：轉轉大師戚帆pdf轉換器
網路搜索進入網站後，到電子書轉換裡面選擇轉成txt，在線轉換後再使用就行了高笑雹

Ⅹ 如何使用python來獲取pdf文件里的文字，最好是不能亂碼

提取pdf文字可以推薦一個工具

第一種文字型PDF比較簡單，可以採用格式轉換的方式直接轉換PDF文件為文本。打開PDF文字識別軟體，執行「文件」-「打開圖像...」導入PDF文件，然後執行「輸出」-「PDF文件轉換為TXT文件」第二種圖像型PDF，有的PDF都是掃描圖片，這個就不能復制文字了，可以採用OCR識別的方式，將PDF文件轉換為可編輯文檔。這也是本文主要講的pdf文字識別方法。還是打開PDF文字提取軟體，執行「文件」-「打開圖像...」導入PDF文件。然後執行「識別」-「開始識別...」。