Python实现PDF转Words（文字提取）

起因

最近报了一个PMP的培训班，然后呢，给我的一些资料是PDF文档，且不可以复制，那么，我自己的学习整理的时候，就有点不方便，所以想把PDF中的文字提取出来。
犹记得还在读书的时候，老师为了将PDF转WORD让我们找各种各样的工具，最后经过一番折腾，目的是达成了，但是安装了一个很大的工具，这工具还不好找，且是国外的，每次跑起来，我的电脑都呼呼的响，现在好啦，曾经想都不敢想的事情，现在轻轻松松就做到了。

百度AI开放平台

这个你值得了解一下，有免费的接口服务，做一些日常使用的小工具，足够啦

1. 注册账号登录，找到文字识别，创建一个应用

2. 创建应用之后，你分别会得到AppID，API Key，Secret Key这三个值

3. 然后找到文件识别的SDK文档
   

4. SDK提供了各种语言的版本，但是我会优先选择Python，为什么了？快啊！方便啊！

pip install baidu-aip

5. 看了SDK之后，你会发现它只支持识别图片，莫慌，办法我已经帮你想好了，直接访问这个网址[戳我](看这个网址的后缀，应该是用.Net写的)，就可以在线将PDF转成图片格式，比如Jpeg

6. 然后，就是直接上Python代码了，一般生成的图片文件名：
   061416404698_0第五章模拟题项目范围管理_1.Jpeg
   061416404698_0第五章模拟题项目范围管理_2.Jpeg
   061416404698_0第五章模拟题项目范围管理_10.Jpeg
   Python遍历文件夹之后得到的列表顺序是这样子的

['061416404698_0第五章模拟题项目范围管理_1.Jpeg','061416404698_0第五章模拟题项目范围管理_10.Jpeg','061416404698_0第五章模拟题项目范围管理_2.Jpeg']

所以，要对文件名做一个排序

import os
from aip import AipOcr
""" 你的 APPID AK SK """
APP_ID = '换成你申请的AppID'
API_KEY = '换成你申请的API Kye'
SECRET_KEY = '换成你申请的Secret Key'
words_fiilter = ['这里例举你要过滤掉的一些字符',]
client = AipOcr(APP_ID, API_KEY, SECRET_KEY)
""" 读取图片 """
def get_file_content(filePath):
    with open(filePath, 'rb') as fp:
        return fp.read()
""" 删除之前的识别结果 """
if os.path.exists("result.txt"):
    os.remove("result.txt")
directory = input("请输入文件夹路径：")
for root, dirs, files in os.walk(directory):  # 开始遍历文件
    # 遍历文件
    # 将文件重新排序
    files.sort(key=lambda x: int(x.split('_')[2].split('.')[0]))
    for f in files:
        src = os.path.join(root, f)
        image = get_file_content(src)
        """ 调用通用文字识别, 图片参数为本地图片 """
        result = client.basicGeneral(image)
        words_result = result["words_result"]
        for words in words_result:
            content = words["words"]
            if content in words_fiilter:  # 过滤掉 页眉 页脚 和水印等信息
                continue
            print(content)
            with open("result.txt", 'a', encoding='utf-8') as f:
                f.write(content+'
')

直接运行，输入文件夹路径，识别的内容会输出到result.txt的文件中，搞定！