Python实现常用文本内容提取
更新时间：2025年03月23日 15:26:24 作者：拥抱AI
在日常工作和学习中,我们经常需要从PDF、Word文档中提取文本,本文将介绍如何使用Python编写一个文本内容提取工具,有需要的小伙伴可以参考下
一、引言
在日常工作和学习中，我们经常需要从PDF、Word文档中提取文本，例如为了数据分析和文本处理等。如果手动进行这些操作，不仅费时费力，而且容易出错。因此，编写一个文本内容提取变得尤为重要。本文将介绍如何使用Python编写一个文本内容提取，该工具可以从PDF、Word文档中提取文本。
二、文本内容提取的原理
文本内容提取的核心原理是遍历指定目录下的所有文件，根据文件类型（PDF或Word）使用相应的库提取文本，然后将提取的文本保存到指定目录。在这个过程中，我们需要考虑以下几个问题：
如何遍历指定目录下的所有文件？
如何根据文件类型提取文本？
如何保存提取的文本？
接下来，我们将分别介绍这三个问题的解决方案。
三、文本内容提取的设计
在设计文本内容提取时，我们需要考虑以下几个方面的内容：
用户界面：为了方便用户使用，我们可以设计一个简单的命令行界面，让用户可以输入目录、输出目录等参数。
文件遍历：我们需要编写一个文件遍历，用于遍历指定目录下的所有文件。
文本提取：我们需要编写一个文本提取，用于根据文件类型提取文本。
文本保存：我们需要编写一个文本保存，用于将提取的文本保存到指定目录。
四、文本内容提取的实现
接下来，我们将详细介绍文本内容提取的实现过程。为了方便起见，我们将使用Python编写这个工具。
1.用户界面
我们可以使用Python的argparse库来设计一个简单的命令行界面。界面包括以下几个部分：
目录参数：让用户指定需要提取文本的文件所在的目录。
输出目录参数：让用户指定提取的文本保存到的目录。
2.文件遍历
我们可以使用Python的os库来遍历指定目录下的所有文件。具体实现如下：
import os
def traverse_dir(dir_path):
file_list = []
for root, dirs, files in os.walk(dir_path):
for file in files:
file_list.append(os.path.join(root, file))
return file_list
3.文本提取
对于PDF文件，我们可以使用Python的PyPDF2库来提取文本。具体实现如下：
import PyPDF2
def extract_text_from_pdf(pdf_path, output_path):
with open(pdf_path, 'rb') as file:
pdf_reader = PyPDF2.PdfFileReader(file)
for page_num in range(pdf_reader.numPages):
page = pdf_reader.getPage(page_num)
text = page.extractText()
with open(output_path, 'a', encoding='utf-8') as output_file:
output_file.write(text)
对于Word文档，我们可以使用Python的python-docx库来提取文本。具体实现如下：
from docx import Document
def extract_text_from_docx(docx_path, output_path):
doc = Document(docx_path)
text = []
for para in doc.paragraphs:
text.append(para.text)
with open(output_path, 'a', encoding='utf-8') as output_file:
output_file.write('\n'.join(text))
4.文本保存
我们可以使用Python的os.path.join()函数来保存提取的文本。具体实现如下：
import os
def save_text(text, output_path):
with open(output_path, 'w', encoding='utf-8') as output_file:
output_file.write(text)
五、完整代码示例
import argparse
import os
import PyPDF2
from docx import Document
def traverse_dir(dir_path):
file_list = []
for root, dirs, files in os.walk(dir_path):
for file in files:
file_list.append(os.path.join(root, file))
return file_list
def extract_text_from_pdf(pdf_path, output_path):
with open(pdf_path, 'rb') as file:
pdf_reader = PyPDF2.PdfFileReader(file)
for page_num in range(pdf_reader.numPages):
page = pdf_reader.getPage(page_num)
text = page.extractText()
with open(output_path, 'a', encoding='utf-8') as output_file:
output_file.write(text)
def extract_text_from_docx(docx_path, output_path):
doc = Document(docx_path)
text = []
for para in doc.paragraphs:
text.append(para.text)
with open(output_path, 'a', encoding='utf-8') as output_file:
output_file.write('\n'.join(text))
def save_text(text, output_path):
with open(output_path, 'w', encoding='utf-8') as output_file:
output_file.write(text)
def main():
parser = argparse.ArgumentParser(description="文本内容提取")
parser.add_argument("directory", help="指定目录")
parser.add_argument("output_directory", help="指定输出目录")
args = parser.parse_args()
dir_path = args.directory
output_dir = args.output_directory
file_list = traverse_dir(dir_path)
for file_path in file_list:
if file_path.lower().endswith(('.pdf')):
extract_text_from_pdf(file_path, output_dir)
elif file_path.lower().endswith(('.docx', '.doc')):
extract_text_from_docx(file_path, output_dir)
if __name__ == "__main__":
main()
以上就是Python实现常用文本内容提取的详细内容，更多关于Python文本内容提取的资料请关注脚本之家其它相关文章！
相关文章
这篇文章主要介绍了Python使用plt.boxplot() 参数绘制箱线图 ,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2020-06-06
这篇文章主要介绍了基于Python实现大文件分割和命名脚本过程解析,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2019-09-09
本篇将介绍Python3中的迭代器与生成器，描述可迭代与迭代器关系，并实现自定义类的迭代器模式。非常具有实用价值，需要的朋友可以参考下2018-10-10
这篇文章主要为大家介绍了Pytorch+PyG实现GraphConv过程示例详解，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2023-04-04
今天小编就为大家分享一篇Pyqt5自适应布局实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2019-12-12
本文主要介绍了pd.DataFrame中的几种索引变换的实现，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，需要的朋友们下面随着小编来一起学习学习吧2022-06-06
Python是一种功能强大的编程语言,可以用来发送电子邮件,使用Python发送邮件可以通过邮箱API来实现,aoksend将介绍使用Python邮箱API发送邮件的方法和步骤,需要的朋友可以参考下2024-04-04
在用Python进行数据处理的时候，经常会遇到DataFrame中的某一列本应该是数值类型，但由于数据不规范导致在字段中夹杂了非数值类型，本文就介绍了Python如何判断字符串是否仅包含数字，感兴趣的可以了解一下2022-03-03
本篇文章主要介绍了python中Matplotlib实现绘制3D图的示例代码，具有一定的参考价值，有兴趣的可以了解一下2017-09-09
在写脚本的过程中，除了发送form表单参数之外，我们还会发送json格式的参数。那么碰见json格式要怎么发送呢，这篇我们来解决这个问题,需要的朋友可以参考下2019-10-10
最新评论