使用Python开发一个PDF文本提取工具

更新时间：2025年02月24日 08:26:35 作者：winfredzhang

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,需要的朋友可以参考下

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='PDF to TXT Converter', 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_label, 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.pdf_path, 'rb') as file:
                    pdf = PyPDF2.PdfReader(file)
                    max_pages = len(pdf.pages)
                    self.start_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 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='PDF to TXT Converter', 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 ===\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脚本之家其它相关文章！

您可能感兴趣的文章:

Python headers请求头如何实现快速添加
这篇文章主要介绍了Python headers请求头如何实现快速添加,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
2020-11-11
Python内建类型list源码学习
这篇文章主要为大家介绍了Python内建类型list源码学习，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪
2022-05-05
Python 内置方法和属性详解
这篇文章主要为大家介绍了Python 内置方法和属性，具有一定的参考价值，感兴趣的小伙伴们可以参考一下，希望能够给你带来帮助
2021-12-12
Python实现的当前时间多加一天、一小时、一分钟操作示例
这篇文章主要介绍了Python实现的当前时间多加一天、一小时、一分钟操作,结合实例形式分析了Python基于datetime模块进行日期时间操作相关使用技巧,需要的朋友可以参考下
2018-05-05
python配置文件写入过程详解
这篇文章主要介绍了python配置文件写入过程详解,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
2019-10-10
Ubuntu权限不足无法创建文件夹解决方案
这篇文章主要介绍了Ubuntu权限不足无法创建文件夹解决方案,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
2020-11-11
Python使用FastMCP实现Word文档与JSON数据互转
这篇文章主要介绍了基于FastMCP框架实现的文档处理服务,可实现 Word 文档（.docx）与 JSON 数据格式的双向转换,通过此服务,开发者可以轻松实现文档内容提取、结构化数据填充、样式模板复用等功能,适用于自动化报告生成、数据导入导出等场景,需要的朋友可以参考下
2025-06-06
Django利用Channels+websocket开发聊天室完整案例
Channels是Django团队研发的一个给Django提供websocket支持的框架,使用它我们可以轻松开发需要长链接的实时通讯应用,下面这篇文章主要给大家介绍了关于Django利用Channels+websocket开发聊天室的相关资料,需要的朋友可以参考下
2023-06-06
使用Python解析PPT文件并生成JSON结构详解
PowerPoint（PPT）文件的自动化处理是办公自动化和数据提取的常见需求,本文将介绍如何通过Python的python-pptx库,将PPT文件的样式、结构、文本内容等信息解析为标准化的JSON格式,为后续的自动化处理、数据迁移或样式复用提供基础,需要的朋友可以参考下
2025-04-04
深入理解Python虚拟机中列表(list)的实现原理及源码剖析
在本篇文章当中主要给大家介绍 cpython 虚拟机当中针对列表的实现，在 Python 中，List 是一种非常常用的数据类型，可以存储任何类型的数据，并且支持各种操作，如添加、删除、查找、切片等，在本篇文章当中将深入去分析这一点是如何实现的
2023-03-03