原文地址:批量将doc、pdf转化为txt，并从txt中提取文字信息

看到一个很不错的示例,自己试着实现了一下,成功以后提取文字很方便效率提高了不少

对于加密的pdf, 用到了一个解密pdf的插件qpdf。插件地址：https://sourceforge.net/projects/qpdf/。一般的pdf文档都是未加密的，基本不会用到这个插件。

首先下载源代码（Python 2.7）

1 下图显示如何下载

原文代码地址：https://github.com/feng1990liu/doc-or-pdf-convert-into-txt.git

下载源代码

2 下载zip文件

3 启动Python shell 2.7 (IDLE Python GUI)

4 运行".\pro_doc\doc_to_txt.py"

运行doc_to_txt.py时候报错:

Error information: Import Error: No module named win32com

报错原因:没有pywin32 package, 需要下载

1 win32com.client i sa part of pywin32

下载 pywin32 from here

https://sourceforge.net/projects/pywin32/?source=typ_redirect

下载 pywin32 package

2.点击"Browse all files"

下载 pywin32 package

3.打开IDLE,检查你的python版本信息

第一行信息显示了你的Python 版本信息

"Python 2.7.5(default, May 15 2013, 22:44:16) [MSCv.150064 bit(AMD64)] on win32."

我的版本是：Python 2.7.5 64 bit build

4.点击最新下载量最大的build。

选择符合Python 版本信息的 pywin32 package

5.下载你需要的版本。

找到符合Python 版本信息的pywin32

6. 安装"pywin32-221.win-amd64-py2.7.exe"。

7.运行doc_to_txt.py file 得到新目录newdir里面与原doc文件同名的txt文件

pdf转txt

如果pdf转txt, 运行".\pro_doc\pdf_to_txt.py", 可能需要另外的pdfminer package。

1 下载pdfminer package

https://pypi.python.org/pypi/pdfminer/

2 把下载的文件放到 C:\Python27 或者其他合适的文件夹

3 运行pdfminer\setup.py, 安装package,

4 把以下命令插入 pdf_to_txt.py起始位置, 然后运行之。若修改pdfminer/的位置，则把"C:\Python27\pdfminer" 替换成 pdfminer 的目录。

import sys

# if there are no conflicting packages in the default Python Libs =>

sys.path.append("C:\Python27\pdfminer"

5 运行".\pro_doc\pdf_to_txt.py",得到目录newdir下面与pdf同名文件

PS：对文件名含有中文或者特殊符号的，程序会强制停止，可以通过批量修改文件名，改成简单的名称，

得到所有txt文件以后, 建立一个新文档,输入

Copy *.txt total.txt

存成.dat文件,文件名随意，然后和其他txt文件一个目录，双击.dat就可以得到需要的合并文档total.txt。