已编写Python程序提取PDF文本，现需对文件夹内每个PDF运行并保存为文本文件

Question

到目前为止，我写的代码是这样的（它可以正常工作，并且能够提取文本）。

import pyPdf

def getPDFContent(path):
    content = ""
    # Load PDF into pyPDF
    pdf = pyPdf.PdfFileReader(file(path, "rb"))
    # Iterate pages
    for i in range(0, pdf.getNumPages()):
        # Extract text from page and add to content
        content += pdf.getPage(i).extractText() + "\n"
    # Collapse whitespace
    content = " ".join(content.replace(u"\xa0", " ").strip().split())
    return content

print getPDFContent("/home/nick/TAM_work/TAM_pdfs/2006-1.pdf").encode("ascii", "ignore")

现在我需要添加一个循环，让它能对/TAM_pdfs文件夹里的所有PDF文件都运行，提取的文本保存为CSV文件，并且（如果可以的话）加上一个统计图片数量的功能。非常感谢任何帮助。谢谢你们的关注。

马特

Answer 1

glob模块可以帮助你找到一个文件夹里所有符合特定模式的文件。

Answer 2

你可以看看 os.walk() 这个功能。

Answer 3

用for循环来处理目录下的所有PDF文件: 可以看看glob模块

把文本保存为CSV格式: 可以看看csv模块

统计图片的数量: 可以看看pyPDF模块 :-)

关于这个说法，有两个补充：

content = " ".join(content.replace(u"\xa0", " ").strip().split())

(1) 不需要把NBSP（U+00A0）替换成空格，因为在unicode.split()中，NBSP本身就被视为空白字符

(2) 使用strip()是多余的：

>>> u"  foo  bar  ".split()
[u'foo', u'bar']
>>>