Question

我需要一点帮助来弄清楚为什么它不能按预期工作。以下代码打开一个PDF文件，提取文本，并应根据PDF文件的名称保存单个文本文件，但是不会产生任何输出。请帮忙。代码如下：

import PyPDF2
import os
import glob


directory = 'C:/LIVE/2017/'

fileStructure = glob.glob("C:/LIVE/2017/*")
names = [os.path.basename(x) for x in glob.glob('C:/LIVE/2017/*')]

for file in os.listdir(directory):
    with open(os.path.join(directory,file), 'rb') as pdfFileObj:
        pdfReader = PyPDF2.PdfFileReader(pdfFileObj, strict=False)
        pageObj = pdfReader.getPage(0)
        number_of_pages = pdfReader.getNumPages()

        for page_number in range(number_of_pages):
            page = pdfReader.getPage(page_number)
            page_content = page.extractText().encode('utf-8')
            getFileName = os.path.basename(pdfFileObj.name)
            bcn = getFileName.rsplit(' ', 1)[-1]
            bcNum = os.path.splitext(os.path.basename(bcn))[0]
            text_file = open(bcNum, "w")
            text_file.write(page_content)
            text_file.close()

Answer 1

它是否首先从PDF中提取字符串？我以前尝试过使用PyPDF2，但发现如果格式不正确，通常很难从PDF获取文本。使用模块Tika取得了更大的成功。

from tika import parser

def read_pdf(pdf):
    raw = parser.from_file(pdf)
    return raw['content']

text_list = list()
for file in os.listdir(directory):
    raw_content = read_pdf(pdf)
    text_list.append(raw_content)

协助完善将Python脚本的输出保存到文本文件

1 个答案: