要将pdf转换为文本,我使用以下命令:
pdf2txt.py -o text.txt example.pdf # It will convert example.pdf to text.txt
但是我有超过1000个pdf文件,我需要首先转换为文本文件,然后进行分析。
是否有一种方法可以让我使用这个命令来迭代pdf文件并转换所有文件?
我建议你有一个shell脚本:
for f (*.pdf) {pdf2txt.py -o $f $f.txt}
然后使用python读取所有.txt
文件进行分析。
只使用python转换:
from subprocess import call
import glob
for pdf_file in glob.glob('*.pdf'):
call(["pdf2txt.py", "-o", pdf_file, pdf_file[:-3]+"txt"])
python代码在我的win10操作系统上出错(OSError: [WinError 193] %1不是有效的Win32应用程序),for循环应该是:
for pdf_file in glob.glob('*.pdf'):
call(['python.exe','pdf2txt.py','-o',pdf_file[:-3]+'txt',pdf_file])
注意,文件i/o的参数是相反的,如果你保持相同的顺序,你的文件会被空文件覆盖…
仍然感谢Gurupad Hegde,告诉我如何隐蔽文件,它帮助很大!