Python批量提取PDF文件中文本的脚本

下面是“Python批量提取PDF文件中文本的脚本”的完整攻略。

准备工作

安装依赖库

需要在Python环境下安装 pdfminer3k 库，其支持python2和python3。

可以使用 pip 命令在终端中安装：

pip install pdfminer3k

下载脚本

从Github上 pdfminer-batch 下载脚本并解压，将所有 .py 文件复制到本地的工作目录中即可。

开始使用

指定路径

首先要指定好要处理的PDF文档所在的目录路径，例如：

pdf_path = '/Users/username/Documents/PDF'

运行脚本

使用命令行窗口进入到要运行脚本的目录下，执行下面的命令：

python pdfminer-batch.py --input-dir /Users/username/Documents/PDF --output-dir /Users/username/Documents/Text

其中，--input-dir 参数指定要处理的PDF文件所在的目录， --output-dir 参数指定提取后文本文件的保存路径。脚本将自动遍历目录中所有的PDF文件，把提取后的文本保存成同名的.txt文件。

示例说明

例如，我们要处理目录中的两个PDF文件，file1.pdf 和 file2.pdf，并且要将提取后的文本保存在同级目录中的 text 文件夹中。那么可以使用下面的代码：

pdf_path = './'
export_path = './text'

!python pdfminer-batch.py --input-dir {pdf_path} --output-dir {export_path}

执行完后，text 文件夹中应该会生成两个同名的 .txt 文件，分别对应于 file1.pdf 和 file2.pdf 的提取内容。

总结

以上便是“Python批量提取PDF文件中文本的脚本”的完整攻略。使用这个脚本可以高效地从多个PDF文件中提取文本内容，方便进行文本处理分析等操作。