Question

我试图合并我能够独立完成的两件事。不幸的是，PDFMiner文档根本没用。

我有一个包含数百个PDF的文件夹，名称为"[0-9].pdf"，其中没有特别的顺序，我也不在乎对它们进行排序。我只需要一种方法来浏览它们并将它们转换为文本。

使用这篇文章：Microsoft's "Flow Ideas" community - 我能够成功地从一个PDF中提取文本。

这篇文章的一些内容：Extracting text from a PDF file using PDFMiner in python? - 对于确定如何打开一个包含PDF的文件夹并使用它们非常有用。

现在，我只是不知道如何将它们组合成一个一个打开PDF，将其转换为文本对象，将其保存到具有相同original-filename.txt的文本文件中，然后转到目录中的下一个PDF。

这是我的代码：

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
from cStringIO import StringIO
import os
import glob

directory = r'./Documents/003/' #path
pdfFiles = glob.glob(os.path.join(directory, '*.pdf'))

resourceManager = PDFResourceManager()
returnString = StringIO()
codec = 'utf-8'
laParams = LAParams()
device = TextConverter(resourceManager, returnString, codec=codec, laparams=laParams)
interpreter = PDFPageInterpreter(resourceManager, device)

password = ""
maxPages = 0
caching = True
pageNums=set()

for one_pdf in pdfFiles:
    print("Processing file: " + str(one_pdf))
    fp = file(one_pdf, 'rb')
    for page in PDFPage.get_pages(fp, pageNums, maxpages=maxPages, password=password,caching=caching, check_extractable=True):
            interpreter.process_page(page)
    text = returnString.getvalue()
    filenameString = str(one_pdf) + ".txt"
    text_file = open(filenameString, "w")
    text_file.write(text)
    text_file.close()
    fp.close()

device.close()
returnString.close()

我没有编译错误，但我的代码没有做任何事情。

感谢您的帮助！

Answer 1

用@LaurentLAPORTE解决方案的想法回答我自己的问题。

使用directory将os设置为绝对路径，如下所示：os.path.abspath("../Documents/003/")。然后它就可以了。

迭代.PDF并使用PDFMiner将它们转换为.txt

1 个答案: