Python中的PDF文本提取：使用fitz和wxPython库（带进度条）

news2024/9/21 2:44:15

引言：

处理大量PDF文档的文本提取任务可能是一项繁琐的工作。本文将介绍一个使用Python编写的工具，可通过简单的操作一键提取大量PDF文档中的文本内容，极大地提高工作效率。

import wx
import pathlib
import fitz

class PDFExtractor(wx.Frame):
    def __init__(self, parent, title):
        super(PDFExtractor, self).__init__(parent, title=title, size=(400, 200))
        
        panel = wx.Panel(self)
        vbox = wx.BoxSizer(wx.VERTICAL)
        
        self.file_picker = wx.FilePickerCtrl(panel, style=wx.FLP_DEFAULT_STYLE | wx.FLP_USE_TEXTCTRL)
        self.save_picker = wx.DirPickerCtrl(panel, style=wx.DIRP_DEFAULT_STYLE | wx.DIRP_USE_TEXTCTRL)
        self.extract_button = wx.Button(panel, label="提取")
        
        self.extract_button.Bind(wx.EVT_BUTTON, self.on_extract)
        
        vbox.Add(wx.StaticText(panel, label="选择PDF文件:"), 0, wx.ALL | wx.EXPAND, 5)
        vbox.Add(self.file_picker, 0, wx.ALL | wx.EXPAND, 5)
        vbox.Add(wx.StaticText(panel, label="选择输出路径:"), 0, wx.ALL | wx.EXPAND, 5)
        vbox.Add(self.save_picker, 0, wx.ALL | wx.EXPAND, 5)
        vbox.Add(self.extract_button, 0, wx.ALL | wx.CENTER, 5)
        
        panel.SetSizer(vbox)
        
    def on_extract(self, event):
        pdf_path = self.file_picker.GetPath()
        save_path = self.save_picker.GetPath()
        
        if pdf_path and save_path:
            progress_dialog = wx.ProgressDialog("提取进度", "正在提取...", maximum=100, parent=self)
            
            try:
                with fitz.open(pdf_path) as doc:
                    total_pages = len(doc)
                    progress = 0
                    
                    for index, page in enumerate(doc):
                        text = page.get_text()
                        output_file = pathlib.Path(save_path) / f"page_{index + 1}.txt"
                        output_file.write_text(text, encoding="utf-8")
                        
                        progress = int((index + 1) / total_pages * 100)
                        progress_dialog.Update(progress, f"正在提取第 {index + 1} 页 / 共 {total_pages} 页")
                        
                    progress_dialog.Update(100, "提取完成！")
                    wx.MessageBox("提取完成！", "成功", wx.OK | wx.ICON_INFORMATION)
            except Exception as e:
                wx.MessageBox(str(e), "错误", wx.OK | wx.ICON_ERROR)
            finally:
                progress_dialog.Destroy()
        else:
            wx.MessageBox("请选择PDF文件和输出路径！", "错误", wx.OK | wx.ICON_ERROR)

def main():
    app = wx.App()
    frame = PDFExtractor(None, "PDF提取器")
    frame.Show()
    app.MainLoop()

if __name__ == '__main__':
    main()

在这个示例中，我们创建了一个wx.ProgressDialog对象，用于显示提取进度。在提取每一页的文本时，我们使用enumerate函数获取当前页的索引，并根据总页数计算提取进度的百分比。然后，我们使用progress_dialog.Update方法更新进度条的进度和显示的文本。

请注意，由于提取过程可能需要一些时间，所以我们使用进度条对话框来显示进度并阻止用户的交互。在提取完成后，进度条对话框会自动关闭。

其中：

1）文档选择：

      self.file_picker = wx.FilePickerCtrl(panel, style=wx.FLP_DEFAULT_STYLE | wx.FLP_USE_TEXTCTRL)

2、文件夹选择：

   self.save_picker = wx.DirPickerCtrl(panel, style=wx.DIRP_DEFAULT_STYLE | wx.DIRP_USE_TEXTCTRL)

3、进度显示：

progress = int((index + 1) / total_pages * 100)
                        progress_dialog.Update(progress, f"正在提取第 {index + 1} 页 / 共 {total_pages} 页")
                        
                    progress_dialog.Update(100, "提取完成！")

4、最重要的：获得pdf中的文本：

with fitz.open(pdf_path) as doc:
     total_pages = len(doc)
     progress = 0
                    
     for index, page in enumerate(doc):
         text = page.get_text()
         output_file = pathlib.Path(save_path) / f"page_{index + 1}.txt"
         output_file.write_text(text, encoding="utf-8")