python - 遍历 .PDF 并使用 PDFMiner 将它们转换为 .txt

Question

我正在尝试合并我能够独立完成的两件不同的事情。不幸的是，PDFMiner 文档根本没有用。

我有一个包含数百个 PDF 的文件夹，名称为:"[0-9].pdf"，其中没有特定的顺序，我也不想对它们进行排序。我只需要一种方法来浏览它们并将它们转换为文本。

使用这篇文章:Extracting text from a PDF file using PDFMiner in python? - 我能够成功地从一个 PDF 中提取文本。

部分帖子:batch process text to csv using python - 有助于确定如何打开装满 PDF 的文件夹并使用它们。

现在，我只是不知道如何将它们组合成一个一个打开 PDF，将其转换为文本对象，将其保存到具有相同 original-filename.txt 的文本文件，然后移至目录中的下一个 PDF。

这是我的代码:

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
from cStringIO import StringIO
import os
import glob

directory = r'./Documents/003/' #path
pdfFiles = glob.glob(os.path.join(directory, '*.pdf'))

resourceManager = PDFResourceManager()
returnString = StringIO()
codec = 'utf-8'
laParams = LAParams()
device = TextConverter(resourceManager, returnString, codec=codec, laparams=laParams)
interpreter = PDFPageInterpreter(resourceManager, device)

password = ""
maxPages = 0
caching = True
pageNums=set()

for one_pdf in pdfFiles:
    print("Processing file: " + str(one_pdf))
    fp = file(one_pdf, 'rb')
    for page in PDFPage.get_pages(fp, pageNums, maxpages=maxPages, password=password,caching=caching, check_extractable=True):
            interpreter.process_page(page)
    text = returnString.getvalue()
    filenameString = str(one_pdf) + ".txt"
    text_file = open(filenameString, "w")
    text_file.write(text)
    text_file.close()
    fp.close()

device.close()
returnString.close()

我没有遇到编译错误，但我的代码没有执行任何操作。

感谢您的帮助!

Answer 1

只是用@LaurentLAPORTE 的有效解决方案想法回答了我自己的问题。

使用 os 将 directory 设置为绝对路径，如下所示:os.path.abspath("../Documents/003/")。然后它就会起作用。