【pywin32】python抽取word/PDF文档文本中转化为txt格式存储

2024-01-14 00:20

本文主要是介绍【pywin32】python抽取word/PDF文档文本中转化为txt格式存储,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

文章目录

  • 前言
  • 一、环境说明
  • 二、安装pywin32
  • 三、测试
    • 3.1 说明
    • 3.2 结果
  • 四、说明
    • 4.1 注意事项
    • 4.2 源码获取
  • 五、PDF获取内容到存储到txt格式文本
    • 5.1 测试文本说明
    • 5.2 实验步骤
    • 5.2 结果验证
    • 5.3 源码获取
  • 2019年11月20日凌晨12点更新

前言

       无论是在机器学习、数据挖掘还是深度学习等等,首先要做的就是数据预处理,所以数据预处理这块还是很重要的,因此博主将学习一下关于数据预处理相关的知识。
       关于数据预处理的基本概念知识,可查看博主此篇订阅号文章。


一、环境说明

博主所使用的环境是:

1、window10
2、anaconda4.6
3、python3.6
4、pycharm

二、安装pywin32

通过命令:pip install pywin32 安装即可,具体如下图所示 (这里可爱的博主之前安装过所以会有Requirement,相关提示)
在这里插入图片描述
安装方法也特别的简单和网上的教程也特别的多,这里就不在一一赘述了。

三、测试

3.1 说明

测试文件:如下图所示(至于里面的内容随便填写奥)
在这里插入图片描述

3.2 结果

在这里插入图片描述在这里插入图片描述

四、说明

4.1 注意事项

基本没有什么难度,特别要注意的一点就是分割文件名:以下是博主通过fnmatch库获取的绝对路径下的文件名。

def Word2Txt(filePath,savePath=''):# 1、切分文件路径为文件目录和文件名dirs,filename = os.path.split(filePath)print('原始路径:',dirs)print('原始文件名:',filename)# 2、修改切分后的文件后缀new_name = "" #设置一个新的文件名if fnmatch.fnmatch(filename,'*.doc'): # 如果文件名后缀是以docx结尾的,则new_name = filename[:-4] + '.txt' # 截取直到倒数后四位,保留除后四位其余的内容elif fnmatch.fnmatch(filename,'*.docx'):new_name = filename[:-5] + '.txt'  # 截取直到倒数后5位,保留除后五位其余的内容else:print('格式不正确,仅支持doc or docx 格式')return

以及获取测试文件路径要格外的注意:以下是我的测试文件存储路径,在pycharm中的一个相关路径

if __name__ == '__main__':filePath = os.path.abspath(r'../dataSet/Corpus/wordtotxt/test_word2.docx') # 获取绝对路径Word2Txt(filePath)# 函数实例化print('word信息抽取到txt格式中完成')

4.2 源码获取

此链接名为wordTotxt.py文件

到此处关于从word中抽取内容到存储到txt格式中就算完成了,接下来将学习关于从PDF中获取内容存储到txt格式中。



五、PDF获取内容到存储到txt格式文本

5.1 测试文本说明

随便准备一个pdf文件,例如,如下就是博主准备的测试文件
在这里插入图片描述

5.2 实验步骤

在这里插入图片描述

5.2 结果验证

在这里插入图片描述在这里插入图片描述
基本和同word文档中抽取内容原理是一样的

5.3 源码获取

https://github.com/jiajikang-nlp/data_preprocess/tree/master/source_code此链接下名为pdf2txt.py文件



2019年11月20日凌晨12点更新

为了将抽取文档信息更为人性化,将多格式的文本信息抽取封装到一起,源码如下所示:

"""author:jjkdatetime:2019/11/19coding:utf-8project name:Pycharm_workstationProgram function: 多格式的文本信息抽取工具
"""import fnmatch,os
from win32com import client as wc
from win32com.client import Dispatch"""
功能描述:抽取多文档文本,默认保存在根目录下,支持自定义
参数描述:1、filePath:文件路径;2、savePath:保存路径
"""def Files2Txt(filePath,savePath=''):# 1、切分文件路径为文件目录和文件名dirs, filename = os.path.split(filePath)print('原文件路径:',dirs)print('原文件名:',filename)# 2、修改切分后的文件名后缀typename = os.path.splitext(filename)[-1].lower() # 切分文件名获取后缀print('typename=',typename)new_name = TranType(filename,typename) # 文件名,文件类型名# 3、设置新的文件保存路径if savePath =='':savePath =dirselse:savePath = savePathnew2txtPath = os.path.join(savePath,new_name)print('新的文件名:',new2txtPath)# 4、加载文本提取的处理程序wordapp = wc.Dispatch('Word.Application')  # 启动应用程序mytxt = wordapp.Documents.Open(filePath)  # 打开文件路径# 5、保存文本信息mytxt.SaveAs(new2txtPath,4)mytxt.close()"""
功能描述:根据文件后缀修改文件名
参数描述:1、filePath:文件路径;2、typename:文件后缀
返回数据:new_name 返回修改后的新的文件名
"""
def TranType(filename,typename):new_name = ''if typename == '.pdf':# pdf-->txtif fnmatch.fnmatch(filename,'*.pdf'):new_name = filename[:-4] + '.txt'else:returnelif typename == '.doc' or typename == '.docx': # word-->txtif fnmatch.fnmatch(filename,'*.doc'):new_name = filename[:-4] + '.txt'elif fnmatch.fnmatch(filename,'*.docx'):new_name = filename[:-5] + '.txt'else:returnelse:print('警告:您输入【',typename,'】数据不合法,本抽取工具仅支持doc/docx/pdf格式文件,请输入正确格式')returnreturn new_nameif __name__ == '__main__':filePath = os.path.abspath(r'../dataSet/Corpus/wordtotxt/test_word1.docx')Files2Txt(filePath)

源码获取
https://github.com/jiajikang-nlp/data_preprocess/tree/master/source_code此链接下名为extractTxt.py文件

这篇关于【pywin32】python抽取word/PDF文档文本中转化为txt格式存储的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/603295

相关文章

Python正则表达式语法及re模块中的常用函数详解

《Python正则表达式语法及re模块中的常用函数详解》这篇文章主要给大家介绍了关于Python正则表达式语法及re模块中常用函数的相关资料,正则表达式是一种强大的字符串处理工具,可以用于匹配、切分、... 目录概念、作用和步骤语法re模块中的常用函数总结 概念、作用和步骤概念: 本身也是一个字符串,其中

Python使用getopt处理命令行参数示例解析(最佳实践)

《Python使用getopt处理命令行参数示例解析(最佳实践)》getopt模块是Python标准库中一个简单但强大的命令行参数处理工具,它特别适合那些需要快速实现基本命令行参数解析的场景,或者需要... 目录为什么需要处理命令行参数?getopt模块基础实际应用示例与其他参数处理方式的比较常见问http

python实现svg图片转换为png和gif

《python实现svg图片转换为png和gif》这篇文章主要为大家详细介绍了python如何实现将svg图片格式转换为png和gif,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录python实现svg图片转换为png和gifpython实现图片格式之间的相互转换延展:基于Py

Python中的getopt模块用法小结

《Python中的getopt模块用法小结》getopt.getopt()函数是Python中用于解析命令行参数的标准库函数,该函数可以从命令行中提取选项和参数,并对它们进行处理,本文详细介绍了Pyt... 目录getopt模块介绍getopt.getopt函数的介绍getopt模块的常用用法getopt模

Python利用ElementTree实现快速解析XML文件

《Python利用ElementTree实现快速解析XML文件》ElementTree是Python标准库的一部分,而且是Python标准库中用于解析和操作XML数据的模块,下面小编就来和大家详细讲讲... 目录一、XML文件解析到底有多重要二、ElementTree快速入门1. 加载XML的两种方式2.

Python如何精准判断某个进程是否在运行

《Python如何精准判断某个进程是否在运行》这篇文章主要为大家详细介绍了Python如何精准判断某个进程是否在运行,本文为大家整理了3种方法并进行了对比,有需要的小伙伴可以跟随小编一起学习一下... 目录一、为什么需要判断进程是否存在二、方法1:用psutil库(推荐)三、方法2:用os.system调用

使用Python从PPT文档中提取图片和图片信息(如坐标、宽度和高度等)

《使用Python从PPT文档中提取图片和图片信息(如坐标、宽度和高度等)》PPT是一种高效的信息展示工具,广泛应用于教育、商务和设计等多个领域,PPT文档中常常包含丰富的图片内容,这些图片不仅提升了... 目录一、引言二、环境与工具三、python 提取PPT背景图片3.1 提取幻灯片背景图片3.2 提取

Python实现图片分割的多种方法总结

《Python实现图片分割的多种方法总结》图片分割是图像处理中的一个重要任务,它的目标是将图像划分为多个区域或者对象,本文为大家整理了一些常用的分割方法,大家可以根据需求自行选择... 目录1. 基于传统图像处理的分割方法(1) 使用固定阈值分割图片(2) 自适应阈值分割(3) 使用图像边缘检测分割(4)

Android实现在线预览office文档的示例详解

《Android实现在线预览office文档的示例详解》在移动端展示在线Office文档(如Word、Excel、PPT)是一项常见需求,这篇文章为大家重点介绍了两种方案的实现方法,希望对大家有一定的... 目录一、项目概述二、相关技术知识三、实现思路3.1 方案一:WebView + Office Onl

一文带你搞懂Python中__init__.py到底是什么

《一文带你搞懂Python中__init__.py到底是什么》朋友们,今天我们来聊聊Python里一个低调却至关重要的文件——__init__.py,有些人可能听说过它是“包的标志”,也有人觉得它“没... 目录先搞懂 python 模块(module)Python 包(package)是啥?那么 __in