Python读取pdf、word、excel、ppt、csv和txt文件提取所有文本

 更新时间:2023年08月21日 11:07:21   作者:DreamingBetter  
这篇文章主要给大家介绍了关于Python读取pdf、word、excel、ppt、csv和txt文件提取所有文本的相关资料,文中通过代码示例将实现的方法介绍的非常详细,需要的朋友可以参考下

前言

本文对使用python读取pdf、word、excel、ppt、csv、txt等常用文件,并提取所有文本的方法进行分享和使用总结。

可以读取不同文件的库和方法当然不止下面分享的这些,本文的代码主要目标都是:方便提取文件中所有文本的实现方式。

这些库的更多使用方法,请到官方文档中查阅。

读取PDF文本:PyPDF2

import PyPDF2
def read_pdf_to_text(file_path):
    with open(file_path, 'rb') as pdf_file:
        pdf_reader = PyPDF2.PdfReader(pdf_file)
        contents_list = []
        for page in pdf_reader.pages:
            content = page.extract_text()
            contents_list.append(content)
    return '\n'.join(contents_list)
read_pdf_to_text('xxx.pdf')

读取Word文本:docx2txt

doc需先手动转换成docx

import docx2txt
def read_docx_to_text(file_path):
    text = docx2txt.process(file_path)
    return text
read_docx_to_text('xxx.docx')

读取excel文本:pandas

当然,pandas能读取的文件不仅仅是excel,还包括csv、json等。

import pandas as pd
def read_excel_to_text(file_path):
    excel_file = pd.ExcelFile(file_path)
    sheet_names = excel_file.sheet_names
    text_list = []
    for sheet_name in sheet_names:
        df = excel_file.parse(sheet_name)
        text = df.to_string(index=False)
        text_list.append(text)
    return '\n'.join(text_list)
read_excel_to_text('xxx.xlsx')

读取ppt文本:pptx

from pptx import Presentation
def read_pptx_to_text(file_path):
    prs = Presentation(file_path)
    text_list = []
    for slide in prs.slides:
        for shape in slide.shapes:
            if shape.has_text_frame:
                text_frame = shape.text_frame
                text = text_frame.text
                if text:
                    text_list.append(text)
    return '\n'.join(text_list)
read_pptx_to_text('xxx.pptx')

读取csv、txt其他文本:直接open,read()

def read_txt_to_text(file_path):
    with open(file_path, 'r') as f:
        text = f.read()
    return text
read_txt_to_text('xxx.csv')
read_txt_to_text('xxx.txt')

读取任何文件格式

有了前面的所有函数,那我们可以写一个支持传任意格式文件的函数。

support = {
    'pdf': 'read_pdf_to_text',
    'docx': 'read_docx_to_text',
    'xlsx': 'read_excel_to_text',
    'pptx': 'read_pptx_to_text',
    'csv': 'read_txt_to_text',
    'txt': 'read_txt_to_text',
}
def read_any_file_to_text(file_path):
    file_suffix = file_path.split('.')[-1]
    func = support.get(file_suffix)
    if func is None:
        return '暂不支持该文件格式'
    text = eval(func)(file_path)
    return text
read_any_file_to_text('xxx.pdf')
read_any_file_to_text('xxx.docx')
read_any_file_to_text('xxx.xlsx')
read_any_file_to_text('xxx.pptx')
read_any_file_to_text('xxx.csv')
read_any_file_to_text('xxx.txt')

结语

以上就是全部常见的文件格式的读取和提取所有文本的全部内容了。

更多其他的使用方法请查阅官方文档。

到此这篇关于Python读取pdf、word、excel、ppt、csv和txt文件提取所有文本的文章就介绍到这了,更多相关Python读取文件提取所有文本内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!

相关文章

  • Python获取央视节目单的实现代码

    Python获取央视节目单的实现代码

    这篇文章主要介绍了Python获取央视节目单的实现代码,涉及Python页面采集的相关技巧,具有一定参考借鉴价值,需要的朋友可以参考下
    2015-07-07
  • python利用socketserver实现并发套接字功能

    python利用socketserver实现并发套接字功能

    这篇文章主要为大家详细介绍了python利用socketserver实现并发套接字功能,文中示例代码介绍的非常详细,具有一定的参考价值,感兴趣的小伙伴们可以参考一下
    2018-01-01
  • python3.6中@property装饰器的使用方法示例

    python3.6中@property装饰器的使用方法示例

    这篇文章主要介绍了python3.6中@property装饰器的使用方法,结合实例形式分析了python3.6中@property装饰器的功能、使用方法及相关操作注意事项,需要的朋友可以参考下
    2019-08-08
  • PyCharm上安装Package的实现(以pandas为例)

    PyCharm上安装Package的实现(以pandas为例)

    这篇文章主要介绍了PyCharm上安装Package的实现(以pandas为例),文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧
    2020-09-09
  • python列表的切片与复制示例分析

    python列表的切片与复制示例分析

    在本篇内容里小编给大家整理的是一篇关于python列表的切片与复制示例分析及相关代码,有兴趣点朋友们可以参考下。
    2021-10-10
  • python中@符号实例详解

    python中@符号实例详解

    @是一个装饰器,针对函数,起调用传参的作用,下面这篇文章主要给大家介绍了关于python中@符号的相关资料,文中通过示例代码介绍的非常详细,需要的朋友可以参考下
    2022-12-12
  • 关于pymysql模块的使用以及代码详解

    关于pymysql模块的使用以及代码详解

    在本篇文章里小编给大家整理的是关于关于pymysql模块的使用以及代码详解,有兴趣的朋友们学习下。
    2019-09-09
  • 理解python中装饰器的作用

    理解python中装饰器的作用

    python装饰器就是用于拓展原来函数功能的一种函数,这个函数的特殊之处在于它的返回值也是一个函数,使用python装饰器的好处就是在不用更改原函数的代码前提下给函数增加新的功能
    2021-07-07
  • python3访问sina首页中文的处理方法

    python3访问sina首页中文的处理方法

    如果用python3的urllib或python2的urllib2访问网页,都不能得到正确的中文字符串,看下面的解决方法
    2014-02-02
  • python Django的web开发实例(入门)

    python Django的web开发实例(入门)

    这篇文章主要介绍了python Django的web开发实例,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧
    2019-07-07

最新评论