使用 Python 将 PDF 转换为 TXT 文件

引言

我们手头有一个 PDF 文件，并希望将其中的文本提取为简单的 .txt 格式。我们的想法是将这个过程自动化，以便内容稍后可以被轻松读取、编辑或处理。例如，一个包含文章或报告的 PDF 可以通过几行 Python 代码转换为纯文本。在本文中，我们将使用一个示例 file.pdf 文件来探索实现这一目标的不同库和方法。

!pdf-file

File.pdf 文件

使用 pdfplumber

pdfplumber 是一个 Python 库，它提供了从 PDF 文件中提取文本、表格和元数据的高级功能。它在处理具有复杂布局或包含表格等结构化数据的 PDF 时特别有用。

import pdfplumber

with pdfplumber.open("file.pdf") as pdf, open("output.txt", "w", encoding="utf-8") as f:
    
    for page in pdf.pages:
        t = page.extract_text()
        if t:
            f.write(t + ‘
‘)

输出示例

!txt-file

Output.txt 文件
代码解释： 这段代码使用 pdfplumber 同时打开 "file.pdf" 和 "output.txt"。它使用 pdf.pages 遍历 PDF 的每一页，利用 extract_text() 提取文本；如果文本存在，则将其写入输出文件，并在末尾添加换行符以分隔每一页的内容。

使用 PyPDF2

PyPDF2 是一个纯 Python 库，用于读取和写入 PDF 文件。它广泛用于基本的 PDF 操作，包括文本提取、合并、拆分和旋转页面。然而，在处理复杂布局或结构化数据时，它可能无法像 pdfplumber 那样精确。

from PyPDF2 import PdfReader

reader = PdfReader("file.pdf")
with open("output.txt", "w", encoding="utf-8") as f:
    
    for page in reader.pages:
        t = page.extract_text()
        if t:
            f.write(t + ‘
‘)

输出示例

!Output

代码解释： 这段代码创建了一个 PdfReader 对象来读取 "file.pdf"，并以写入模式（采用 UTF-8 编码）打开 "output.txt"。然后它遍历每一页，使用 extract_text() 提取文本。如果找到文本，就会将其写入输出文件，并用换行符进行分隔。

使用 fitz

fitz 是 PyMuPDF 库的接口，允许进行高性能的 PDF 和电子书操作。它以文本提取的速度和准确性而闻名，特别是对于具有复杂图形布局或嵌入字体的 PDF。

import fitz  # PyMuPDF

doc = fitz.open("file.pdf")
with open("output.txt", "w", encoding="utf-8") as f:
    
    for page in doc:
        f.write(page.get_text() + ‘
‘)

!Output

代码解释： 这段代码使用 fitz (PyMuPDF) 打开 "file.pdf" 并逐页读取。对于每一页，它使用 get_text() 提取文本并将其写入 "output.txt"，在每页内容后添加一个换行符以保持内容分离。