### 使用Python批量转换PDF到TXT并提取指定内容 #### 方法概述 为了实现从多个PDF文件中批量提取文本并保存为TXT文件，可以采用多种方法和技术栈。一种常见的方式是利用`PyMuPDF` (也称为 `fitz`) 或者 `pdfminer.six` 来处理 PDF 文件的解析工作。 #### PyMuPDF 实现方案 下面是一个基于 `PyMuPDF` 的例子来展示如何遍历目录中的所有 PDF 文件并将它们的内容写入对应的 TXT 文件： ```python import fitz # 导入 PyMuPDF 库 import os # 用于获取路径下的文件列表 def extract_text_from_pdf(pdf_path): document = fitz.open(pdf_path) text = "" for page_num in range(len(document)): page = document.load_page(page_num) text += page.get_text() return text.strip() if __name__ == '__main__': source_dir = './source_pdfs' output_dir = './output_txts' if not os.path.exists(output_dir): os.makedirs(output_dir) files = [f for f in os.listdir(source_dir) if f.endswith('.pdf')] count = 0 for filename in files: fullpath = os.path.join(source_dir, filename) txt_filename = os.path.splitext(filename)[0] + ".txt" out_file = os.path.join(output_dir, txt_filename) try: extracted_text = extract_text_from_pdf(fullpath) with open(out_file, 'w', encoding='utf-8') as outfile: outfile.write(extracted_text) print(f"Processed {filename}") count += 1 except Exception as e: print(f"Failed to process {filename}: {e}") print(f'Total processed documents: {count}') ``` 此脚本会读取名为 `./source_pdfs/` 的文件夹内的所有 `.pdf` 文件，并将其转换后的纯文本存放在 `./output_txts/` 下面的新创建子文件夹里[^1]。 #### 提取特定部分的内容 如果目标是从这些已转成文本的数据集中抽取某些特定模式的信息，则可以根据正则表达式的匹配规则来进行筛选。例如，假设要查找所有的电子邮件地址，可以在上述代码的基础上增加如下逻辑： ```python import re email_pattern = r'[a-zA-Z0-9_.+-]+@[a-zA-Z0-9-]+\.[a-zA-Z0-9-.]+' emails_found = set(re.findall(email_pattern, extracted_text)) for email in emails_found: print(f'Found Email Address: {email}') ``` 这段附加代码会在每份文档被成功转化为字符串之后执行一次简单的邮件地址检索操作[^3]。 对于更复杂的结构化数据提取任务，可能还需要考虑其他高级技术如自然语言处理(NLP)，这取决于实际应用场景的需求。