最近运行课件代码，发现pdf文件读取部分的函数失效。这里找到读取pdf文件的可运行代码，为了方便后续学习使用，我已将pdf和docx读取方法封装成pdfdocx包。
pdfdocx
只有简单的两个读取函数
read_pdf(file)
read_docx(file)
file为文件路径，函数运行后返回file文件内的文本数据。
安装
pip install pdfdocx
使用
读取pdf文件
-
from pdfdocx
import read_pdf
-
p_text = read_pdf(
'test/data.pdf')
-
print(p_text)
Run
这是来⾃pdf⽂件内的内容
-
from pdfdocx
import read_docx
-
d_text = read_pdf(
'test/data.docx')
-
print(d_text)
Run
这是来⾃docx⽂件内的内容
拆开pdfdocx
希望大家能安装好，如果安装或者使用失败，可以使用下面的代码作为备选方案
读取pdf
-
from io
import StringIO
-
from pdfminer.converter
import TextConverter
-
from pdfminer.layout
import LAParams
-
from pdfminer.pdfdocument
import PDFDocument
-
from pdfminer.pdfinterp
import PDFResourceManager, PDFPageInterpreter
-
from pdfminer.pdfpage
import PDFPage
-
from pdfminer.pdfparser
import PDFParser
-
import re
-
-
-
def read_pdf(file):
-
""
"
-
读取pdf文件，并返回其中的文本内容
-
:param file: pdf文件路径
-
:return: docx中的文本内容
-
"
""
-
output_string = StringIO()
-
with open(file,
'rb') as in_file:
-
parser = PDFParser(in_file)
-
doc = PDFDocument(parser)
-
rsrcmgr = PDFResourceManager()
-
device = TextConverter(rsrcmgr, output_string, laparams=LAParams())
-
interpreter = PDFPageInterpreter(rsrcmgr, device)
-
for page in PDFPage.create_pages(doc):
-
interpreter.process_page(page)
-
text = output_string.getvalue()
-
return text
-
读取docx
-
import docx
-
-
def read_docx(file):
-
""
"
-
读取docx文件，并返回其中的文本内容
-
:param file: docx文件路径
-
:return: docx中的文本内容
-
"
""
-
text =
''
-
doc = docx.Document(file)
-
for para in doc.paragraphs:
-
text += para.text
-
return text
-
精彩回顾
万水千山总是情，给我点好看可好❤
转载：https://blog.csdn.net/weixin_38008864/article/details/105630519
查看评论