PHP 提取word与PDF文件文本信息

雨点打透心脏的1/2处 2023-06-25 12:29 28阅读 0赞

最近遇到了一个海南什么恶心的什么会议系统,其中恶心的需求就是:"xx,你把用户上传的个人简历文本信息提取出来呗,让用户一上传就能看见自己的简历信息,格式有doc,docx,还可能是PDF文件哦.......用什么方式实现不重要，这个需求很重要,客户很重视!"。我面带笑容，说：“好啊，没问题，小case。交给我”，可心里已经十万个CNM过去了，大家懂得。。。。。。

好了，废话少说，上菜！

用PHP实现？这你就太年轻了，还是用python吧，哈哈哈哈哈。。。。。咳咳

环境说明： python3.6 还需一个重要内裤,哦不类库 win32com

具体是这样的,请看第一部,把doc,docx文本提取出来:

#  coding=utf-8
    
    import os,fnmatch
    from win32com import client
    from win32com.client import Dispatch
    
    def WordToTxt(filepath,savePath=''):
        dirs,filename = os.path.split(filepath)
        # print(dirs,'\n',filename)
        new_name = ""
        if fnmatch.fnmatch(filename,'*.doc'):
            new_name = filename[:-4]+'.txt'
        elif fnmatch.fnmatch(filename,'*.docx'):
            new_name = filename[:-5]+'.txt'
        else:
            print("文件格式不正确,只支持doc,docx格式文件")
    
        if savePath=='':
            savePath = dirs
        else:
            savePath = savePath
        wordToTxtPath = os.path.join(savePath,new_name)
        # print("--->",wordToTxtPath,new_name)
    
        wordapp = client.Dispatch("Word.Application")
        mytxt = wordapp.Documents.Open(filepath)
    
        mytxt.SaveAs(wordToTxtPath,4)
        mytxt.Close()
    
    
    if __name__=='__main__':
        filepath = os.path.abspath(r'../shell/resume.docx')
        WordToTxt(filepath)

第二部,把PDF文件文本提取出来:

# coding = utf-8
    import os,fnmatch
    from win32com import client
    from win32com.client import Dispatch
    
    def pdfToTxt(filePath,savePath = ''):
        dirs, filename = os.path.split(filePath)
    
        new_name = ""
        if fnmatch.fnmatch(filename, '*.pdf') or fnmatch.fnmatch(filename, '*.PDF'):
            new_name = filename[:-4] + '.txt'
        else:
            print("文件格式不正确,只支持doc,docx格式文件")
            return
    
        if savePath == '':
            savePath = dirs
        else:
            savePath = savePath
        pdfToTxtPath = os.path.join(savePath, new_name)
    
        pdfdapp = client.Dispatch("Word.Application")
        mytxt = pdfdapp.Documents.Open(filePath)
    
    
        mytxt.SaveAs(pdfToTxtPath,4)
        mytxt.Close()
    
    
    
    
    
    if __name__ == '__main__':
        filepath = os.path.abspath(r'../shell/resume.pdf')
        pdfToTxt(filepath)

第三部,把他们揉在一起,来个小封装:

# coding = utf-8
    """
    多格式文档文本数据抽取
    """
    import os,fnmatch
    from win32com import client
    from win32com.client import Dispatch
    import random
    
    def Files2Txt(filePath,savePath = ''):
        dirs, filename = os.path.split(filePath)
    
        file_ext = os.path.splitext(filename)[-1].lower()
    
        new_name = TansType(filename,file_ext)
    
        if savePath=='':
            savePath = dirs
        else:
            savePath = savePath
        wordToTxtPath = os.path.join(savePath,new_name)
    
        app = client.Dispatch("Word.Application")
        mytxt = app.Documents.Open(filePath)
    
        mytxt.SaveAs(wordToTxtPath, 4)
        mytxt.Close()
    
    """
    根据文件后缀修改文件名
    返回修改后的文件名
    """
    def TansType(filename,file_extension):
        new_name = ''
        round_str = random.randint(100000,999999)
        if file_extension == '.pdf':
            if fnmatch.fnmatch(filename,'*.pdf'):
                new_name = filename[:-4] + str(round_str) + '.txt'
            else:return
        elif file_extension == '.docx' or file_extension == '.doc':
            if fnmatch.fnmatch(filename,'*.doc'):
                new_name = filename[:-4] + str(round_str) + '.txt'
            elif fnmatch.fnmatch(filename,'*.docx'):
                new_name = filename[:-5] + str(round_str) + '.txt'
            else:return
        else:
            print("警告: \n 您输入的数据不合法,本脚本只支持doc,docx,pdf格式文件!")
            return
    
        return new_name
    
    
    if __name__ == '__main__':
        # filepath = os.path.abspath(r'../shell/resume.docx')
        filepath = os.path.abspath(r'../shell/resume.pdf')
        Files2Txt(filepath)

第四部,当然是面向女朋友(对象)啦,批处理操作:

# coding = utf-8
    """
    遍历目录及文件,打印所有文件的完整路径
    并批量抽取文本信息
    """
    import os,time
    import extractTxt
    
    # 遍历目录处理子文件
    class Traversal():
        # 初始化目标文件路径
        def __init__(self,rootDir,func = None,saveDir = ''):
            self.rootDir = rootDir
            self.saveDir = saveDir
            self.func = func
    
        # 遍历目录文件
        def travelfile(self):
            # 切分文件目录/文件名
            dirs,filename = os.path.split(self.rootDir)
            # 保存目录
            save_dir = ""
            if self.rootDir == "":
                save_dir = os.path.abspath(os.path.join(dirs,'news_'+ filename))
            else:
                save_dir = self.rootDir
            # 创建保存路径
            if not os.path.exists(save_dir):
                os.mkdir(save_dir)
            # print("save dir:\n",save_dir)
            # 遍历文件抽取TXT
            Traversal.allfiles(self,self.rootDir)
    
        # 递归算法遍历所有文件,并打印文件名
        def allfiles(self,rootDir,save_dir = ''):
            for lists in os.listdir(rootDir):
                path = os.path.join(rootDir,lists)
                if os.path.isfile(path):
                    # print(os.path.abspath(path))
                    self.func(os.path.abspath(path),os.path.abspath(save_dir))
                elif os.path.isdir(path):
                    new_save_dir = os.path.join(save_dir,lists)
                    if not os.path.exists(new_save_dir):
                        os.mkdir(new_save_dir)
                    Traversal.allfiles(self,path,new_save_dir)
    
    
    if __name__ == '__main__':
        start_time = time.time()
        end_time = time.time()
        rootdir = r"../shell/"
        # trans = Traversal(rootdir,extractTxt,extractTxt.Files2Txt) # extractTxt 第三部的文件名 看不懂就算了
        # trans.travelfile()
        print("cost_total_time",(end_time - start_time),'s')