使用Python开发一个PDF文本提取工具
目录
- 引言
- 全部代码
- 功能需求分析
- 技术选型
- 环境准备
- 详细设计和实现
- 1. 界面设计
- 2. 核心代码实现
- 2.1 创建主窗口类
- 2.2 界面初始化
- 2.3 文件选择功能
- 2.4 转换功能实现
- 异常处理
- 运行效果
- 优化建议
- 运行结果
引言
在日常工作中，我们经常需要从PDF文档中提取文本内容。虽然市面上有不少相关工具，但它们要么功能过于复杂，要么使用不够方便。本文将介绍如何使用python开发一个简单实用的PDF文本提取工具，该工具具有图形界面，操作简单直观。
C:\pythoncode\new\GetTxtFromPdfFromX2Y.py全部代码
import wx
import PyPDF2
import os
class PDFConverterFrame(wx.Frame):
def __init__(self):
super().__init__(parent=None, title="使用Python开发一个PDF文本提取工具", size=(500, 300))
self.pdf_path = ''
self.initUI()
def initUI(self):
panel = wx.Panel(self)
vbox = wx.BoxSizer(wx.VERTICAL)
# 文件选择按钮
file_btn = wx.Button(panel, label='选择PDF文件')
file_btn.Bind(wx.EVT_BUTTON, self.onChooseFile)
vbox.Add(file_btn, 0, wx.ALL | wx.CENTER, 5)
# 显示所选文件路径
self.path_text = wx.TextCtrl(panel, style=wx.TE_READONLY)
vbox.Add(self.path_text, 0, wx.ALL | wx.EXPAND, 5)
# 页面范围输入
hbox1 = wx.BoxSizer(wx.HORIZONTAL)
start_label = wx.StaticText(panel, label='开始页码:')
self.start_page = wx.SpinCtrl(panel, value='1', min=1)
end_label = wx.StaticText(panel, label='结束页码:')
self.end_page = wx.SpinCtrl(panel, value='1', min=1)
hbox1.Add(start_label, 0, wx.ALL | wx.CENTER, 5)
hbox1.Add(self.start_page, 0, wx.ALL, 5)
hbox1.Add(end_labejavascriptl, 0, wx.ALL | wx.CENTER, 5)
hbox1.Add(self.end_page, 0, wx.ALL, 5)
vbox.Add(hbox1, 0, wx.ALL | wx.CENTER, 5)
# 生成按钮
generate_btn = wx.Button(panel, label='生成TXT')
generate_btn.Bind(wx.EVT_BUTTON, self.onGenerate)
vbox.Add(generate_btn, 0, wx.ALL | wx.CENTER, 5)
# 状态显示
self.status_text = wx.TextCtrl(panel, style=wx.TE_MULTILINE | wx.TE_READONLY)
vbox.Add(self.status_text, 1, wx.ALL | wx.EXPAND, 5)
panel.SetSizer(vbox)
self.Centre()
def onChooseFile(self, event):
with wx.FileDialog(self, "选择PDF文件", wildcard="PDF files (*.pdf)|*.pdf",
style=wx.FD_OPEN | wx.FD_FILE_MUST_EXIST) as fileDialog:
if fileDialog.ShowModal() == wx.ID_CANCEL:
return
self.pdf_path = fileDialog.GetPath()
self.path_text.SetValue(self.pdf_path)
# 更新最大页码
try:
with open(self.pythonpdf_path, 'rb') as file:
pdf = PyPDF2.PdfReader(file)
max_pages = len(pdf.pages)
self.s编程tart_page.SetMax(max_pages)
self.end_page.SetMax(max_pages)
self.end_page.SetValue(max_pages)
self.status_text.SetValue(f"PDF文件共 {max_pages} 页")
except Exception as e:
self.status_text.SetValue(f"读取PDF文件失败: {str(e)}")
def onGenerate(self, event):
if not self.pdf_path:
wx.MessageBox('请先选择PDF文件', '提示', wx.OK | wx.ICON_INFORMATION)
return
start = self.start_page.GetValue()
end = self.end_page.GetValue()
if start > end:
wx.MessageBox('开始页码不能大于结束页码', '错误', wx.OK | wx.ICON_ERROR)
return
try:
# 生成输出文件名
output_path = os.path.splitext(self.pdf_path)[0] + '_output.txt'
with open(self.pdf_path, 'rb') as file:
pdf = PyPDF2.PdfReader(file)
with open(output_path, 'w', encoding='utf-8') as output:
for page_num in 编程客栈range(start - 1, end):
text = pdf.pages[page_num].extract_text()
output.write(f'=== 第 {page_num + 1} 页 ===\n')
output.write(text)
output.write('\n\n')
self.status_text.SetValue(f"转换完成!\n输出文件保存在: {output_path}")
except Exception as e:
self.status_text.SetValue(f"转换失败: {str(e)}")
wx.MessageBox(f'转换失败: {str(e)}', '错误', wx.OK | wx.ICON_ERROR)
if __name__ == '__main__':
app = wx.App()
frame = PDFConverterFrame()
frame.Show()
app.MainLoop()
功能需求分析
在开发之前，我们先明确工具的核心功能需求：
- 提供图形界面，方便用户操作
- 支持选择PDF文件
- 可以指定提取的页面范围
- 将提取的文本保存为TXT文件
- 显示操作状态和结果
技术选型
基于上述需求，我们选择以下技术栈：
- Python: 作为主要开发语言
- wxPython: 用于开发图形界面
- PyPDF2: 用于处理PDF文件
wxPython是一个功能强大的GUI工具包，它能够创建原生风格的界面，性能好，使用简单。PyPDF2则是一个广受欢迎的PDF处理库，支持读取文本、提取页面等操作。
环境准备
在开始开发之前，需要先安装必要的库：
pip install wxPython PyPDF2
详细设计和实现
1. 界面设计
我们的界面采用垂直布局，从上到下依次包含：
- 文件选择按钮
- 文件路径显示区域
- 页码范围输入区域（开始页码和结束页码）
- 生成按钮
- 状态显示区域
2. 核心代码实现
让我们一步步实现这个工具：
2.1 创建主窗口类
class PDFConverterFrame(wx.Frame):
def __init__(self):
super().__init__(parent=None, title="使用Python开发一个PDF文本提取工具", size=(500, 300))
self.pdf_path = ''
self.initUI()
这是我们的主窗口类，继承自wx.Frame。在构造函数中，我们设置了窗口标题和大小，并初始化了UI。
2.2 界面初始化
def initUI(self):
panel = wx.Panel(self)
vbox = wx.BoxSizer(wx.VERTICAL)
# 文件选择按钮
file_btn = wx.Button(panel, label='选择PDF文件')
file_btn.Bind(wx.EVT_BUTTON, self.onChooseFile)
vbox.Add(file_btn, 0, wx.ALL | wx.CENTER, 5)
# 显示所选文件路径
self.path_text = wx.TextCtrl(panel, style=wx.TE_READONLY)
vbox.Add(self.path_text, 0, wx.ALL | wx.EXPAND, 5)
在初始化界面时，我们使用wx.BoxSizer来管理布局，这样可以确保界面元素排列整齐，并且能够适应窗口大小的变化。
2.3 文件选择功能
def onChooseFile(self, event):
with wx.FileDialog(self, "选择PDF文件", wildcard="PDF files (*.pdf)|*.pdf",
style=wx.FD_OPEN | wx.FD_FILE_MUST_EXIST) as fileDialog:
if fileDialog.ShowModal() == wx.ID_CANCEL:
return
self.pdf_path = fileDialog.GetPath()
self.path_text.SetValue(self.pdf_path)
文件选择对话框使用wx.FileDialog实现，我们设置了文件过滤器，只显示PDF文件。当用户选择文件后，会更新显示路径，并自动获取PDF的页数信息。
2.4 转换功能实现
def onGenerate(self, event):
if not self.pdf_path:
wx.MessageBox('请先选择PDF文件', '提示', wx.OK | wx.ICON_INFORMATION)
return
start = self.start_page.GetValue()
end = self.end_page.GetValue()
try:
output_path = os.path.splitext(self.pdf_path)[0] + '_output.txt'
with open(self.pdf_path, 'rb') as file:
pdf = PyPDF2.PdfReader(file)
with open(output_path, 'w', encoding='utf-8') as output:
for page_num in range(start - 1, end):
text = pdf.pages[page_num].extract_text()
output.write(f'=== 第 {page_num + 1} 页 ===js\n')
output.write(text)
output.write('\n\n')
转换功能的核心是使用PyPDF2读取PDF内容，然后将文本写入新的TXT文件。我们在每页内容前添加了页码标记，方便阅读。
异常处理
为了提高程序的健壮性，我们添加了完善的异常处理：
- 文件选择验证
- 页码范围验证
- 文件读写异常处理
- PDF解析异常处理
try:
# 转换操作
...
except Exception as e:
self.status_text.SetValue(f"转换失败: {str(e)}")
wx.MessageBox(f'转换失败: {str(e)}', '错误', wx.OK | wx.ICON_ERROR)
运行效果
程序运行后会显示一个简洁的窗口，用户可以：
- 点击"选择PDF文件"按钮选择需要处理的PDF文件
- 输入需要提取的页面范围
- 点击"生成TXT"按钮开始转换
- 在状态区域查看转换结果
生成的TXT文件会自动保存在原PDF文件所在的目录下，文件名为原PDF文件名加上"_output.txt"后缀。
优化建议
- 添加进度条显示转换进度
- 支持批量处理多个PDF文件
- 添加文本编码选项
- 支持更多输出格式（如Word、html等）
- 添加文本提取方式的选项（按段落、按行等）
运行结果
以上就是使用Python开发一个PDF文本提取工具的详细内容，更多关于Python PDF文本提取的资料请关注编程客栈(www.devze.com)其它相关文章！
加载中,请稍侯......
精彩评论