使用pdfplumber把pdf文档转化为文本保存

可以使用 Python 库 pdfplumber 将 PDF 文档转换为文本并保存。首先，需要安装 pdfplumber，可以使用 pip 安装：

pip install pdfplumber

然后，使用 pdfplumber 打开 PDF 文档：

import pdfplumber

with pdfplumber.open("document.pdf") as pdf:
    # do something with the pdf

接着，可以遍历每一页并获取其文本：

for page in pdf.pages:
    text = page.extract_text()
    # do something with the text

最后，将文本保存到文件中

with open("document.txt", "w") as f:
    f.write(text)

其中文件名称和写入的文件名可以自己更改.

相关问题

pdfplumber 识别pdf表格并转换word表格

`pdfplumber`是一个强大的库，专门用于解析PDF文档，包括表格。然而，它本身并不直接支持将整个PDF表格导出为Word表格，因为它主要用于提取文本和数据，而不是保留原始的布局和格式。

如果你想要从PDF表格中提取数据，然后用这些数据填充到Word文档的表格中，你可以按照以下步骤操作：

1. 首先安装`pdfplumber` 和 `openpyxl` 或者 `pandas` (取决于你希望数据如何存储和处理)：

   pip install pdfplumber openpyxl

2. 使用`pdfplumber`读取PDF中的表格数据：

import pdfplumber
import pandas as pd

def extract_table(pdf_path):
    with pdfplumber.open(pdf_path) as pdf:
        tables = pdf.extract_tables()
        for table in tables:
            df = pd.DataFrame(table)
            break  # 只处理第一个表格，如果你需要更多，循环遍历
    return df

data_df = extract_table("your_pdf_file.pdf")

3. 然后使用`python-docx`来创建Word文档，并添加表格：

from docx import Document
from docx.table import Table, Cell

document = Document()

table = document.add_table(len(data_df.columns), len(data_df))
for i, row_data in data_df.iterrows():
    for j, cell_value in enumerate(row_data):
        table.cell(i, j).text = str(cell_value)

document.save("output_word.docx")

这个过程会提取PDF表格的数据并将其作为新的Word表格创建，但原始的行和列布局不会完全保留。

如何利用Python的pdfplumber和pandas库批量提取PDF文档中的文本和表格数据，并将提取的数据分别保存到Word和Excel文件中？

为了有效地从多个PDF文档中提取文本和表格数据，并进行批量处理，建议参考《Python批量提取PDF文本与表格到Word和Excel》这本书。该书详细介绍了使用Python进行数据提取的具体方法，并提供了可操作的代码示例。

参考资源链接：[Python批量提取PDF文本与表格到Word和Excel](https://wenku.csdn.net/doc/4tejdm2dtx?spm=1055.2569.3001.10343)

首先，对于文本提取，我们将使用`pdfplumber`库来读取PDF文件，并将文本内容保存到Word文档中。`pdfplumber`提供了`open`方法用于打开PDF文件，以及`extract_text`方法用于提取页面上的文本。以下是一个简单的代码示例：

import pdfplumber
from docx import Document

def extract_text_to_docx(pdf_path, docx_path):
    # 打开PDF文件
    with pdfplumber.open(pdf_path) as pdf:
        # 创建Word文档对象
        doc = Document()
        # 遍历每一页
        for page in pdf.pages:
            # 提取页面文本并追加到Word文档
            doc.add_paragraph(page.extract_text())
        # 保存Word文档
        doc.save(docx_path)

# 调用函数进行批量处理
extract_text_to_docx('example.pdf', 'output.docx')

接下来，对于表格提取，我们同样使用`pdfplumber`提取PDF中的表格，并利用`pandas`将表格数据保存为Excel文件。`pdfplumber`的`extract_table`方法可以提取页面上的表格数据，返回一个列表的列表形式。`pandas`的DataFrame结构非常适合处理这种二维数据，以下是提取表格并保存为Excel的代码示例：

import pdfplumber
import pandas as pd

def extract_tables_to_excel(pdf_path, excel_path):
    # 打开PDF文件
    with pdfplumber.open(pdf_path) as pdf:
        # 创建空的DataFrame列表
        dfs = []
        # 遍历每一页
        for page in pdf.pages:
            # 提取表格数据
            tables = page.extract_tables()
            # 将每个表格转换为DataFrame，并添加到列表中
            for table in tables:
                df = pd.DataFrame(table[1:], columns=table[0])
                dfs.append(df)
        # 合并所有DataFrame
        df = pd.concat(dfs, ignore_index=True)
        # 将DataFrame保存为Excel文件
        df.to_excel(excel_path, index=False)

# 调用函数进行批量处理
extract_tables_to_excel('example.pdf', 'output.xlsx')

通过上述两个函数，你可以对多个PDF文件进行循环处理，实现批量提取文本和表格数据到Word和Excel中。这不仅提高了效率，还保证了数据的准确性。如果你需要更深入地了解这些库的使用方法和更复杂的处理技巧，建议详细阅读《Python批量提取PDF文本与表格到Word和Excel》。

参考资源链接：[Python批量提取PDF文本与表格到Word和Excel](https://wenku.csdn.net/doc/4tejdm2dtx?spm=1055.2569.3001.10343)