网站建设功能是什么,石家庄情况最新消息今天,深圳坪山天气预报15天,外包网易怎么样引言#xff1a;
处理大量PDF文档的文本提取任务可能是一项繁琐的工作。本文将介绍一个使用Python编写的工具#xff0c;可通过简单的操作一键提取大量PDF文档中的文本内容#xff0c;极大地提高工作效率。
import wx
import pathlib
import fitzclass PDFExtractor(wx.Fr…引言
处理大量PDF文档的文本提取任务可能是一项繁琐的工作。本文将介绍一个使用Python编写的工具可通过简单的操作一键提取大量PDF文档中的文本内容极大地提高工作效率。
import wx
import pathlib
import fitzclass PDFExtractor(wx.Frame):def __init__(self, parent, title):super(PDFExtractor, self).__init__(parent, titletitle, size(400, 200))panel wx.Panel(self)vbox wx.BoxSizer(wx.VERTICAL)self.file_picker wx.FilePickerCtrl(panel, stylewx.FLP_DEFAULT_STYLE | wx.FLP_USE_TEXTCTRL)self.save_picker wx.DirPickerCtrl(panel, stylewx.DIRP_DEFAULT_STYLE | wx.DIRP_USE_TEXTCTRL)self.extract_button wx.Button(panel, label提取)self.extract_button.Bind(wx.EVT_BUTTON, self.on_extract)vbox.Add(wx.StaticText(panel, label选择PDF文件:), 0, wx.ALL | wx.EXPAND, 5)vbox.Add(self.file_picker, 0, wx.ALL | wx.EXPAND, 5)vbox.Add(wx.StaticText(panel, label选择输出路径:), 0, wx.ALL | wx.EXPAND, 5)vbox.Add(self.save_picker, 0, wx.ALL | wx.EXPAND, 5)vbox.Add(self.extract_button, 0, wx.ALL | wx.CENTER, 5)panel.SetSizer(vbox)def on_extract(self, event):pdf_path self.file_picker.GetPath()save_path self.save_picker.GetPath()if pdf_path and save_path:progress_dialog wx.ProgressDialog(提取进度, 正在提取..., maximum100, parentself)try:with fitz.open(pdf_path) as doc:total_pages len(doc)progress 0for index, page in enumerate(doc):text page.get_text()output_file pathlib.Path(save_path) / fpage_{index 1}.txtoutput_file.write_text(text, encodingutf-8)progress int((index 1) / total_pages * 100)progress_dialog.Update(progress, f正在提取第 {index 1} 页 / 共 {total_pages} 页)progress_dialog.Update(100, 提取完成)wx.MessageBox(提取完成, 成功, wx.OK | wx.ICON_INFORMATION)except Exception as e:wx.MessageBox(str(e), 错误, wx.OK | wx.ICON_ERROR)finally:progress_dialog.Destroy()else:wx.MessageBox(请选择PDF文件和输出路径, 错误, wx.OK | wx.ICON_ERROR)def main():app wx.App()frame PDFExtractor(None, PDF提取器)frame.Show()app.MainLoop()if __name__ __main__:main()
在这个示例中我们创建了一个wx.ProgressDialog对象用于显示提取进度。在提取每一页的文本时我们使用enumerate函数获取当前页的索引并根据总页数计算提取进度的百分比。然后我们使用progress_dialog.Update方法更新进度条的进度和显示的文本。
请注意由于提取过程可能需要一些时间所以我们使用进度条对话框来显示进度并阻止用户的交互。在提取完成后进度条对话框会自动关闭。
其中
1文档选择 self.file_picker wx.FilePickerCtrl(panel, stylewx.FLP_DEFAULT_STYLE | wx.FLP_USE_TEXTCTRL)
2、文件夹选择 self.save_picker wx.DirPickerCtrl(panel, stylewx.DIRP_DEFAULT_STYLE | wx.DIRP_USE_TEXTCTRL)
3、进度显示
progress int((index 1) / total_pages * 100)progress_dialog.Update(progress, f正在提取第 {index 1} 页 / 共 {total_pages} 页)progress_dialog.Update(100, 提取完成)
4、最重要的获得pdf中的文本
with fitz.open(pdf_path) as doc:total_pages len(doc)progress 0for index, page in enumerate(doc):text page.get_text()output_file pathlib.Path(save_path) / fpage_{index 1}.txtoutput_file.write_text(text, encodingutf-8)
结果如下
