最近运行课件代码，发现pdf文件读取部分的函数失效。这里找到读取pdf文件的可运行代码，为了方便后续学习使用，我已将pdf和docx读取方法封装成pdfdocx包。
pdfdocx
只有简单的两个读取函数
-
read_pdf(file)
-
read_docx(file)
file为文件路径，函数运行后返回file文件内的文本数据。
安装
pip install pdfdocx
使用
读取pdf文件
from pdfdocx import read_pdf
p_text = read_pdf('test/data.pdf')
print(p_text)
Run
这是来⾃pdf⽂件内的内容
from pdfdocx import read_docx
d_text = read_pdf('test/data.docx')
print(d_text)
Run
这是来⾃docx⽂件内的内容
拆开pdfdocx
希望大家能安装好，如果安装或者使用失败，可以使用下面的代码作为备选方案
读取pdf
from io import StringIO
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfparser import PDFParser
import re
def read_pdf(file):
"""
读取pdf文件，并返回其中的文本内容
:param file: pdf文件路径
:return: docx中的文本内容
"""
output_string = StringIO()
with open(file, 'rb') as in_file:
parser = PDFParser(in_file)
doc = PDFDocument(parser)
rsrcmgr = PDFResourceManager()
device = TextConverter(rsrcmgr, output_string, laparams=LAParams())
interpreter = PDFPageInterpreter(rsrcmgr, device)
for page in PDFPage.create_pages(doc):
interpreter.process_page(page)
text = output_string.getvalue()
return text
读取docx
import docx
def read_docx(file):
"""
读取docx文件，并返回其中的文本内容
:param file: docx文件路径
:return: docx中的文本内容
"""
text = ''
doc = docx.Document(file)
for para in doc.paragraphs:
text += para.text
return text
以上就是本文的全部内容，希望本文的内容对大家的学习或者工作能带来一定的帮助，也希望大家多多支持 码农网
猜你喜欢:
- SpringBoot 读取文件代码模版
- flex actionScript读取文件示例代码
- 十图详解TensorFlow数据读取机制（附代码）
- 使用vbscript代码从文本文件中读取和写入值
- Python代码审计实战案例总结之CRLF和任意文件读取
- Ectouch2.0 分析代码审计流程 (四) 任意文件删除/读取(ssrf)
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
白话机器学习算法
[新加坡] 黄莉婷、[新加坡] 苏川集 / 武传海 / 人民邮电出版社 / 2019-2 / 49.00元
与使用数学语言或计算机编程语言讲解算法的书不同，本书另辟蹊径，用通俗易懂的人类语言以及大量有趣的示例和插图讲解10多种前沿的机器学习算法。内容涵盖k均值聚类、主成分分析、关联规则、社会网络分析等无监督学习算法，以及回归分析、k最近邻、支持向量机、决策树、随机森林、神经网络等监督学习算法，并概述强化学习算法的思想。任何对机器学习和数据科学怀有好奇心的人都可以通过本书构建知识体系。一起来看看 《白话机器学习算法》 这本书的介绍吧!
