如何用python将pdf转换为json格式

news2024/11/14 21:46:36

使用 Python 将 PDF 文件转换为 JSON 格式，主要步骤如下：

读取 PDF 内容：首先使用一个库读取 PDF 文件内容，如 PyMuPDF 或 pdfplumber。这些库可以逐页提取文本，并返回结构化的数据。
组织数据到 JSON：将提取的文本数据格式化为字典或嵌套字典，然后将其转化为 JSON 格式。
输出 JSON 文件：使用 json 库将字典保存为 JSON 文件。

以下是使用 pdfplumber 的示例代码：

import pdfplumber
import json

def pdf_to_json(pdf_path, json_path):
    data = []
    
    with pdfplumber.open(pdf_path) as pdf:
        for i, page in enumerate(pdf.pages):
            text = page.extract_text()
            # 可以根据需要进一步解析或分段文本
            data.append({"page": i + 1, "text": text})

    # 将数据写入 JSON 文件
    with open(json_path, 'w', encoding='utf-8') as f:
        json.dump(data, f, ensure_ascii=False, indent=4)

# 使用方法
pdf_path = "sample.pdf"
json_path = "output.json"
pdf_to_json(pdf_path, json_path)

代码解释

pdfplumber.open(pdf_path): 打开 PDF 文件。
pdf.pages[i].extract_text(): 从 PDF 文件的每一页提取文本。
json.dump(data, f, ensure_ascii=False, indent=4): 将字典数据格式化为 JSON 并写入文件。

注意事项

如果 PDF 内容包含表格或复杂的结构，可能需要额外处理，例如使用 pdfplumber 提供的 extract_table() 方法提取表格数据。
可以根据需要调整数据结构，将内容分为段落、标题等，以便生成更精确的 JSON 文件。

如果希望 JSON 的格式是包含 chapter 和 text 字段，可以先在 PDF 中查找章节标题（例如根据特定的关键字或字体格式），然后提取相应的文本内容。假设每个章节标题以 “Chapter” 开头，以下是一个可能的实现方法：

import pdfplumber
import json
import re

def pdf_to_json(pdf_path, json_path):
    data = []
    current_chapter = None
    current_text = []

    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            text = page.extract_text()
            if text is None:
                continue
            
            # 按行分割文本，便于逐行检查
            lines = text.split('\n')
            for line in lines:
                # 检查是否是章节标题（例如以 "Chapter" 开头的行）
                if re.match(r'^\s*Chapter\s+\d+', line, re.IGNORECASE):
                    # 保存上一章节内容到 data 中
                    if current_chapter:
                        data.append({"chapter": current_chapter, "text": "\n".join(current_text)})
                    
                    # 更新当前章节标题和内容
                    current_chapter = line.strip()
                    current_text = []
                else:
                    # 将非章节标题的内容加入当前章节文本
                    current_text.append(line)

    # 添加最后一个章节
    if current_chapter:
        data.append({"chapter": current_chapter, "text": "\n".join(current_text)})

    # 将数据写入 JSON 文件
    with open(json_path, 'w', encoding='utf-8') as f:
        json.dump(data, f, ensure_ascii=False, indent=4)

# 使用方法
pdf_path = "sample.pdf"
json_path = "output.json"
pdf_to_json(pdf_path, json_path)

代码解释

current_chapter：用于保存当前章节标题。
current_text：用于收集当前章节的所有文本内容。
re.match(r'^\s*Chapter\s+\d+', line, re.IGNORECASE)：使用正则表达式检查是否是章节标题（假设章节标题格式为 “Chapter X”）。
当检测到一个新的章节时，将 current_chapter 和 current_text 保存到 data 列表，然后开始新的章节记录。