当前位置:   article > 正文

Python中的PDF文本提取:使用fitz和wxPython库(带进度条)_fitz库python

fitz库python

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。

  1. import wx
  2. import pathlib
  3. import fitz
  4. class PDFExtractor(wx.Frame):
  5. def __init__(self, parent, title):
  6. super(PDFExtractor, self).__init__(parent, title=title, size=(400, 200))
  7. panel = wx.Panel(self)
  8. vbox = wx.BoxSizer(wx.VERTICAL)
  9. self.file_picker = wx.FilePickerCtrl(panel, style=wx.FLP_DEFAULT_STYLE | wx.FLP_USE_TEXTCTRL)
  10. self.save_picker = wx.DirPickerCtrl(panel, style=wx.DIRP_DEFAULT_STYLE | wx.DIRP_USE_TEXTCTRL)
  11. self.extract_button = wx.Button(panel, label="提取")
  12. self.extract_button.Bind(wx.EVT_BUTTON, self.on_extract)
  13. vbox.Add(wx.StaticText(panel, label="选择PDF文件:"), 0, wx.ALL | wx.EXPAND, 5)
  14. vbox.Add(self.file_picker, 0, wx.ALL | wx.EXPAND, 5)
  15. vbox.Add(wx.StaticText(panel, label="选择输出路径:"), 0, wx.ALL | wx.EXPAND, 5)
  16. vbox.Add(self.save_picker, 0, wx.ALL | wx.EXPAND, 5)
  17. vbox.Add(self.extract_button, 0, wx.ALL | wx.CENTER, 5)
  18. panel.SetSizer(vbox)
  19. def on_extract(self, event):
  20. pdf_path = self.file_picker.GetPath()
  21. save_path = self.save_picker.GetPath()
  22. if pdf_path and save_path:
  23. progress_dialog = wx.ProgressDialog("提取进度", "正在提取...", maximum=100, parent=self)
  24. try:
  25. with fitz.open(pdf_path) as doc:
  26. total_pages = len(doc)
  27. progress = 0
  28. for index, page in enumerate(doc):
  29. text = page.get_text()
  30. output_file = pathlib.Path(save_path) / f"page_{index + 1}.txt"
  31. output_file.write_text(text, encoding="utf-8")
  32. progress = int((index + 1) / total_pages * 100)
  33. progress_dialog.Update(progress, f"正在提取第 {index + 1} 页 / 共 {total_pages} 页")
  34. progress_dialog.Update(100, "提取完成!")
  35. wx.MessageBox("提取完成!", "成功", wx.OK | wx.ICON_INFORMATION)
  36. except Exception as e:
  37. wx.MessageBox(str(e), "错误", wx.OK | wx.ICON_ERROR)
  38. finally:
  39. progress_dialog.Destroy()
  40. else:
  41. wx.MessageBox("请选择PDF文件和输出路径!", "错误", wx.OK | wx.ICON_ERROR)
  42. def main():
  43. app = wx.App()
  44. frame = PDFExtractor(None, "PDF提取器")
  45. frame.Show()
  46. app.MainLoop()
  47. if __name__ == '__main__':
  48. 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, style=wx.FLP_DEFAULT_STYLE | wx.FLP_USE_TEXTCTRL)

2、文件夹选择:     

   self.save_picker = wx.DirPickerCtrl(panel, style=wx.DIRP_DEFAULT_STYLE | wx.DIRP_USE_TEXTCTRL)

3、进度显示:

  1. progress = int((index + 1) / total_pages * 100)
  2.                         progress_dialog.Update(progress, f"正在提取第 {index + 1} 页 / 共 {total_pages} 页")
  3.                         
  4.                     progress_dialog.Update(100, "提取完成!")

4、最重要的:获得pdf中的文本:

  1. with fitz.open(pdf_path) as doc:
  2. total_pages = len(doc)
  3. progress = 0
  4. for index, page in enumerate(doc):
  5. text = page.get_text()
  6. output_file = pathlib.Path(save_path) / f"page_{index + 1}.txt"
  7. output_file.write_text(text, encoding="utf-8")

结果如下:

  

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/人工智能uu/article/detail/880036
推荐阅读
相关标签
  

闽ICP备14008679号