Python批量提取PDF文件中文本的脚本

栗子

发布时间：2026-10-13| 3人浏览过

原创

本文介绍利用Python批量提取PDF文件中文本的方法。首先通过pip install pdfminer3k安装扩展库，随后使用内置的pdf2txt.py命令行工具处理PDF。脚本自动重命名含特殊字符的文件，调用转换命令并输出前200个字符。适用于需要批量处理PDF文档的场景，支持简单密码处理逻辑。

本文分享了一个使用Python批量从PDF文件中提取文本的具体代码示例，供读者参考。

在开始之前，需先执行命令pip install pdfminer3k以安装用于处理PDF文件的扩展库。

import os
import sys
import time

pdfs = (pdfs for pdfs in os.listdir('.') if pdfs.endswith('.pdf'))

for pdf1 in pdfs:
 pdf = pdf1.replace(' ', '_').replace('-', '_').replace('&', '_')
 os.rename(pdf1, pdf)
 print('='*30)
 print(pdf)
 
 txt = pdf[:-4] + '.txt'
 exe = '"' + sys.executable + '" "'
 pdf2txt = os.path.dirname(sys.executable)
 pdf2txt = pdf2txt + '\\scripts\\pdf2txt.py" -o '
 try:
 #调用命令行工具pdf2txt.py进行转换
 #如果pdf加密过可以改写下面的代码
 #在-o前面使用-P来指定密码
 cmd = exe + pdf2txt + txt + ' ' + pdf
 os.popen(cmd)
 #转换需要一定时间，一般小文件2秒钟足够了
 time.sleep(2)
 #输出转换后的文本，前200个字符
 with open(txt, encoding='utf8') as fp:
 print(fp.read(200))
 except:
 pass

来源：python小屋

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持本站。