【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

揭秘Python Socket网络编程的7种硬核用法

《揭秘PythonSocket网络编程的7种硬核用法》Socket不仅能做聊天室,还能干一大堆硬核操作,这篇文章就带大家看看Python网络编程的7种超实用玩法,感兴趣的小伙伴可以跟随小编一起... 目录1.端口扫描器:探测开放端口2.简易 HTTP 服务器:10 秒搭个网页3.局域网游戏:多人联机对战4.

使用Python实现快速搭建本地HTTP服务器

《使用Python实现快速搭建本地HTTP服务器》:本文主要介绍如何使用Python快速搭建本地HTTP服务器,轻松实现一键HTTP文件共享,同时结合二维码技术,让访问更简单,感兴趣的小伙伴可以了... 目录1. 概述2. 快速搭建 HTTP 文件共享服务2.1 核心思路2.2 代码实现2.3 代码解读3.

使用C#代码在PDF文档中添加、删除和替换图片

《使用C#代码在PDF文档中添加、删除和替换图片》在当今数字化文档处理场景中,动态操作PDF文档中的图像已成为企业级应用开发的核心需求之一,本文将介绍如何在.NET平台使用C#代码在PDF文档中添加、... 目录引言用C#添加图片到PDF文档用C#删除PDF文档中的图片用C#替换PDF文档中的图片引言在当

详解C#如何提取PDF文档中的图片

《详解C#如何提取PDF文档中的图片》提取图片可以将这些图像资源进行单独保存,方便后续在不同的项目中使用,下面我们就来看看如何使用C#通过代码从PDF文档中提取图片吧... 当 PDF 文件中包含有价值的图片,如艺术画作、设计素材、报告图表等,提取图片可以将这些图像资源进行单独保存,方便后续在不同的项目中使

Python使用自带的base64库进行base64编码和解码

《Python使用自带的base64库进行base64编码和解码》在Python中,处理数据的编码和解码是数据传输和存储中非常普遍的需求,其中,Base64是一种常用的编码方案,本文我将详细介绍如何使... 目录引言使用python的base64库进行编码和解码编码函数解码函数Base64编码的应用场景注意

Python基于wxPython和FFmpeg开发一个视频标签工具

《Python基于wxPython和FFmpeg开发一个视频标签工具》在当今数字媒体时代,视频内容的管理和标记变得越来越重要,无论是研究人员需要对实验视频进行时间点标记,还是个人用户希望对家庭视频进行... 目录引言1. 应用概述2. 技术栈分析2.1 核心库和模块2.2 wxpython作为GUI选择的优

C# WinForms存储过程操作数据库的实例讲解

《C#WinForms存储过程操作数据库的实例讲解》:本文主要介绍C#WinForms存储过程操作数据库的实例,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一、存储过程基础二、C# 调用流程1. 数据库连接配置2. 执行存储过程(增删改)3. 查询数据三、事务处

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.

Python+PyQt5实现多屏幕协同播放功能

《Python+PyQt5实现多屏幕协同播放功能》在现代会议展示、数字广告、展览展示等场景中,多屏幕协同播放已成为刚需,下面我们就来看看如何利用Python和PyQt5开发一套功能强大的跨屏播控系统吧... 目录一、项目概述:突破传统播放限制二、核心技术解析2.1 多屏管理机制2.2 播放引擎设计2.3 专

Python中随机休眠技术原理与应用详解

《Python中随机休眠技术原理与应用详解》在编程中,让程序暂停执行特定时间是常见需求,当需要引入不确定性时,随机休眠就成为关键技巧,下面我们就来看看Python中随机休眠技术的具体实现与应用吧... 目录引言一、实现原理与基础方法1.1 核心函数解析1.2 基础实现模板1.3 整数版实现二、典型应用场景2