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