【pywin32】python抽取word/PDF文档文本中转化为txt格式存储

墨蓝 2023-06-14 10:44 22阅读 0赞

### 文章目录 ###

*  前言
 *  一、环境说明
 *  二、安装pywin32
 *  三、测试
 *   *  3.1 说明
     *  3.2 结果
 *  四、说明
 *   *  4.1 注意事项
     *  4.2 源码获取
 *  五、PDF获取内容到存储到txt格式文本
 *   *  5.1 测试文本说明
     *  5.2 实验步骤
     *  5.2 结果验证
     *  5.3 源码获取
 *  2019年11月20日凌晨12点更新

# 前言 #

无论是在机器学习、数据挖掘还是深度学习等等，首先要做的就是数据预处理，所以数据预处理这块还是很重要的，因此博主将学习一下关于数据预处理相关的知识。  
       关于数据预处理的基本概念知识，可查看博主[此篇订阅号文章][Link 1]。

--------------------

# 一、环境说明 #

博主所使用的环境是：

> 1、window10  
> 2、anaconda4.6  
> 3、python3.6  
> 4、pycharm

# 二、安装pywin32 #

通过命令：`pip install pywin32` 安装即可，具体如下图所示 （这里可爱的博主之前安装过所以会有Requirement,相关提示）  
![在这里插入图片描述][20191119130535175.png]  
安装方法也特别的简单和网上的教程也特别的多，这里就不在一一赘述了。

# 三、测试 #

## 3.1 说明 ##

测试文件：如下图所示(至于里面的内容随便填写奥)  
![在这里插入图片描述][20191119130901921.png]

## 3.2 结果 ##

![在这里插入图片描述][20191119131106680.png]![在这里插入图片描述][2019111913133238.gif]

# 四、说明 #

## 4.1 注意事项 ##

基本没有什么难度，特别要注意的一点就是分割文件名：以下是博主通过fnmatch库获取的绝对路径下的文件名。

def Word2Txt(filePath,savePath=''):
        # 1、切分文件路径为文件目录和文件名
        dirs,filename = os.path.split(filePath)
        print('原始路径：',dirs)
        print('原始文件名：',filename)
        # 2、修改切分后的文件后缀
        new_name = "" #设置一个新的文件名
        if fnmatch.fnmatch(filename,'*.doc'): # 如果文件名后缀是以docx结尾的，则
            new_name = filename[:-4] + '.txt' # 截取直到倒数后四位，保留除后四位其余的内容
        elif fnmatch.fnmatch(filename,'*.docx'):
            new_name = filename[:-5] + '.txt'  # 截取直到倒数后5位，保留除后五位其余的内容
        else:
            print('格式不正确，仅支持doc or docx 格式')
            return

以及获取测试文件路径要格外的注意：以下是我的测试文件存储路径，在pycharm中的一个相关路径

if __name__ == '__main__':
        filePath = os.path.abspath(r'../dataSet/Corpus/wordtotxt/test_word2.docx') # 获取绝对路径
        Word2Txt(filePath)# 函数实例化
        print('word信息抽取到txt格式中完成')

## 4.2 源码获取 ##

[此链接名为wordTotxt.py文件][wordTotxt.py]

到此处关于从word中抽取内容到存储到txt格式中就算完成了，接下来将学习关于从PDF中获取内容存储到txt格式中。

--------------------

# 五、PDF获取内容到存储到txt格式文本 #

## 5.1 测试文本说明 ##

随便准备一个pdf文件，例如，如下就是博主准备的测试文件  
![在这里插入图片描述][20191119190528598.png]

## 5.2 实验步骤 ##

![在这里插入图片描述][20191119191108731.png_pic_center]

## 5.2 结果验证 ##

![在这里插入图片描述][20191119190605985.png]![在这里插入图片描述][20191119190700974.png]  
基本和同word文档中抽取内容原理是一样的

## 5.3 源码获取 ##

[https://github.com/jiajikang-nlp/data\_preprocess/tree/master/source\_code][wordTotxt.py]此链接下名为pdf2txt.py文件

--------------------

# 2019年11月20日凌晨12点更新 #

为了将抽取文档信息更为人性化，将多格式的文本信息抽取封装到一起，源码如下所示：

""" author:jjk datetime:2019/11/19 coding:utf-8 project name:Pycharm_workstation Program function: 多格式的文本信息抽取工具 """
    
    import fnmatch,os
    from win32com import client as wc
    from win32com.client import Dispatch
    
    """ 功能描述：抽取多文档文本，默认保存在根目录下，支持自定义 参数描述：1、filePath：文件路径；2、savePath：保存路径 """
    
    def Files2Txt(filePath,savePath=''):
        # 1、切分文件路径为文件目录和文件名
        dirs, filename = os.path.split(filePath)
        print('原文件路径：',dirs)
        print('原文件名：',filename)
    
        # 2、修改切分后的文件名后缀
        typename = os.path.splitext(filename)[-1].lower() # 切分文件名获取后缀
        print('typename=',typename)
        new_name = TranType(filename,typename) # 文件名，文件类型名
    
        # 3、设置新的文件保存路径
        if savePath =='':
            savePath =dirs
        else:
            savePath = savePath
        new2txtPath = os.path.join(savePath,new_name)
        print('新的文件名：',new2txtPath)
    
        # 4、加载文本提取的处理程序
        wordapp = wc.Dispatch('Word.Application')  # 启动应用程序
        mytxt = wordapp.Documents.Open(filePath)  # 打开文件路径
        # 5、保存文本信息
        mytxt.SaveAs(new2txtPath,4)
        mytxt.close()
    
    """ 功能描述：根据文件后缀修改文件名 参数描述：1、filePath：文件路径；2、typename：文件后缀 返回数据：new_name 返回修改后的新的文件名 """
    def TranType(filename,typename):
        new_name = ''
        if typename == '.pdf':# pdf-->txt
            if fnmatch.fnmatch(filename,'*.pdf'):
                new_name = filename[:-4] + '.txt'
            else:return
        elif typename == '.doc' or typename == '.docx': # word-->txt
            if fnmatch.fnmatch(filename,'*.doc'):
                new_name = filename[:-4] + '.txt'
            elif fnmatch.fnmatch(filename,'*.docx'):
                new_name = filename[:-5] + '.txt'
            else:return
        else:
            print('警告：您输入【',typename,'】数据不合法，本抽取工具仅支持doc/docx/pdf格式文件，请输入正确格式')
            return
        return new_name
    
    if __name__ == '__main__':
        filePath = os.path.abspath(r'../dataSet/Corpus/wordtotxt/test_word1.docx')
        Files2Txt(filePath)

源码获取  
[https://github.com/jiajikang-nlp/data\_preprocess/tree/master/source\_code][wordTotxt.py]此链接下名为extractTxt.py文件

[Link 1]: https://mp.weixin.qq.com/s?__biz=MzU1MDk2OTgzMg==&mid=2247485622&idx=1&sn=aee44481bb8d0e5cd00bb24f54f1989d&chksm=fb99c031ccee4927b6b8fd225906554a295b962acd806ea3ee10362d64815a7b481dbaacc751&token=201620902&lang=zh_CN#rd
[20191119130535175.png]: https://img-blog.csdnimg.cn/20191119130535175.png
[20191119130901921.png]: https://img-blog.csdnimg.cn/20191119130901921.png
[20191119131106680.png]: https://img-blog.csdnimg.cn/20191119131106680.png
[2019111913133238.gif]: https://img-blog.csdnimg.cn/2019111913133238.gif
[wordTotxt.py]: https://github.com/jiajikang-nlp/data_preprocess/tree/master/source_code
[20191119190528598.png]: https://img-blog.csdnimg.cn/20191119190528598.png
[20191119191108731.png_pic_center]: https://img-blog.csdnimg.cn/20191119191108731.png#pic_center
[20191119190605985.png]: https://img-blog.csdnimg.cn/20191119190605985.png
[20191119190700974.png]: https://img-blog.csdnimg.cn/20191119190700974.png