python glob 或 listdir 创建然后将文件从一个目录保存到另一个目录

Question

我正在将文档从 pdf 转换为文本。 pdf 当前在一个文件夹中，然后在 txt 转换后保存到另一个文件夹中。我有很多这样的文档，更喜欢迭代子文件夹并保存到 txt 文件夹中具有相同名称的子文件夹，但在添加该层时遇到问题。

我知道我可以使用 glob 递归迭代并对文件列表等执行此操作。但不清楚如何将文件从这个文件夹保存到新文件夹。这不是完全必要的，但会更加方便和高效。

有什么好的方法吗？

import os
import io
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage


def convert(fname, pages=None):
    if not pages:
        pagenums = set()
    else:
        pagenums = set(pages)

    output = io.StringIO()
    manager = PDFResourceManager()
    converter = TextConverter(manager, output, laparams=LAParams())
    interpreter = PDFPageInterpreter(manager, converter)

    infile = open(fname, 'rb')
    for page in PDFPage.get_pages(infile, pagenums):
        interpreter.process_page(page)
    infile.close()
    converter.close()
    text = output.getvalue()
    output.close
    return text 
    print(text)



def convertMultiple(pdfDir, txtDir):
    if pdfDir == "": pdfDir = os.getcwd() + "\" #if no pdfDir passed in 
    for pdf in os.listdir(pdfDir): #iterate through pdfs in pdf directory
        fileExtension = pdf.split(".")[-1]
        if fileExtension == "pdf":
            pdfFilename = pdfDir + pdf 
            text = convert(pdfFilename)  
            textFilename = txtDir + pdf.split(".")[0] + ".txt"
            textFile = open(textFilename, "w")  
            textFile.write(text)  


pdfDir = r"C:/Users/Documents/pdf/"
txtDir = r"C:/Users/Documents/txt/"
convertMultiple(pdfDir, txtDir)

Answer 1

正如您所建议的，glob 在这里工作得很好。它甚至可以只过滤 .pdf 个文件。

测试后取消注释这 3 行。

import os, glob

def convert_multiple(pdf_dir, txt_dir):
    if pdf_dir == "": pdf_dir = os.getcwd() # If no pdf_dir passed in 
    for filepath in glob.iglob(f"{pdf_dir}/**/*.pdf", recursive=True):
        text = convert(filepath)
        root, _ = os.path.splitext(filepath) # Remove extension
        txt_filepath = os.path.join(txt_dir, os.path.relpath(root, pdf_dir)) + ".txt"
        txt_filepath = os.path.normpath(txt_filepath) # Not really necessary
        print(txt_filepath)
#        os.makedirs(os.path.dirname(txt_filepath), exist_ok=True)
#        with open(txt_filepath, "wt") as f:
#            f.write(text)


pdf_dir = r"C:/Users/Documents/pdf/"
txt_dir = r"C:/Users/Documents/txt/"
convert_multiple(pdf_dir, txt_dir)

要确定新 .txt 文件的文件路径，请使用 os.path 模块中的函数。

os.path.relpath(filepath, pdf_dir) returns 文件的文件路径，包括相对于 pdf_dir.

的任何子目录

假设filepath是：

C:/Users/Documents/pdf/Setec Astronomy/employees.pdf

并且pdf_dir是

C:/Users/Documents/pdf/

它将 return Setec Astronomy/employees.pdf 然后可以与 txt_dir 一起传递到 os.path.join()，为我们提供包含额外子目录的完整文件路径。

你可以 txt_filepath = filepath.replace(filepath, pdf_dir)，但你必须确保所有相应的斜线都在同一方向，并且没有 extra/missing leading/trailing 斜线。

在打开新的 .txt 文件之前，需要创建所有子目录。 os.path.dirname() 被调用以获取文件目录的文件路径，并且 os.makedirs() 将其 exist_ok 参数设置为 True，以抑制 FileExistsError 异常，如果目录已经存在。

打开.txt文件时使用with语句避免显式调用.close()，特别是在任何异常情况下。

python glob 或 listdir 创建然后将文件从一个目录保存到另一个目录

python glob or listdir to create then save files from one directory to another

python

directory

glob

listdir