python自动化系列:批量自动转换pdf文件为txt文件

2026-02-06 15:41:52

作品介绍

作品名称：批量自动转换pdf文件为txt文件

开发环境：PyCharm 2023.3.4 + python3.7

用到的库：os、PyPDF2

作品简介：该实例是一个自动化工具，可以处理包含多个PDF文件的目录，将每个PDF文件的内容转换为TXT格式，并保存到指定的输出目录。

适用场景：当需要编辑PDF文件的时候。

实现过程

一、代码设计

以下是代码的详细说明：

导入模块：

os：用于文件和目录操作。
PyPDF2：用于读取PDF文件。

output_dir：定义TXT文件的输出目录。
使用os.makedirs确保输出目录存在。

定义conversion函数：

参数file_dir：包含PDF文件的目录路径。
检查目录是否存在，然后获取所有PDF文件列表。
对每个PDF文件调用pdf2txt函数进行转换。

定义pdf2txt函数：

参数pdf_path：单个PDF文件的路径。
使用PyPDF2.PdfReader读取PDF文件。
初始化空字符串text_content以存储提取的文本。
遍历PDF的每一页，使用extract_text方法提取文本，并将其累加到text_content。
将累加的文本内容写入到一个新的TXT文件中，文件名基于原PDF文件名。

定义get_name函数：

参数file_path：文件的路径。
使用os.path.basename获取文件名（带扩展名）。
使用os.path.splitext分离文件名和扩展名，返回文件名（不含扩展名）。

执行转换：

调用conversion函数，并传入包含PDF文件的目录路径。

异常处理：

在pdf2txt函数中，使用try-except结构捕获并打印在读取PDF或写入TXT文件时发生的异常。

输出信息：

在转换过程中，打印转换成功或错误的信息。

"""批量自动转换pdf文件为txt文件"""import osfrom PyPDF2 import PdfReader# 确保输出目录存在output_dir = './files/txt'if not os.path.exists(output_dir):    os.makedirs(output_dir)# 把文件下的所有PDF转换为TXTdef conversion(file_dir):if not os.path.exists(file_dir):print('文件路径不正确，请检查')else:        file_list = [f for f in os.listdir(file_dir) if f.endswith('.pdf')]  # 确保是PDF文件for file in file_list:            pdf_path = os.path.join(file_dir, file)            try:                pdf2txt(pdf_path)            except Exception as e:print(f"转换错误: {e}")# PDF转为TXTdef pdf2txt(pdf_path):    # 使用PyPDF2读取PDF文件    reader = PdfReader(pdf_path)    # 初始化一个空字符串用于存储文本    text_content = ""    # 遍历PDF中的每一页for page_num in range(len(reader.pages)):        # 获取每一页的内容        page = reader.pages[page_num]        # 将文本添加到字符串        text = page.extract_text()if text:  # 确保提取的文本不为空            text_content += text + "\n"    # 保存TXT文件    name = get_name(pdf_path)    # TXT文件输出路径    txt_file = os.path.join(output_dir, f"{name}.txt")    try:        with open(txt_file, 'w', encoding='utf-8') as f:            f.write(text_content)print(f"文件已保存: {txt_file}")    except Exception as e:print(f"保存文件时出错: {e}")# 获取文件名def get_name(file_path):    # 使用os.path.basename()获取文件名    file_name_with_extension = os.path.basename(file_path)    # 使用os.path.splitext()分离文件名和后缀名    file_name, _ = os.path.splitext(file_name_with_extension)return file_nameconversion('./files/pdf')