273 lines
8.7 KiB
Python
273 lines
8.7 KiB
Python
"""PDF文件读取和文本提取工具。
|
||
|
||
使用pypdf库实现PDF文件的读取、基本信息展示和文本内容提取。
|
||
支持通过命令行参数指定PDF文件路径和可选的页码范围。
|
||
"""
|
||
|
||
import argparse
|
||
import sys
|
||
from typing import Optional
|
||
|
||
import pypdf
|
||
from pypdf import PdfReader
|
||
|
||
|
||
class PDFOpener:
|
||
"""PDF文件打开和内容提取类。
|
||
|
||
封装了PDF读取、信息提取和文本提取的全部功能。
|
||
|
||
Attributes:
|
||
file_path: PDF文件的路径。
|
||
start_page: 提取文本的起始页码（从0开始，包含）。
|
||
end_page: 提取文本的结束页码（从0开始，包含），None表示最后一页。
|
||
"""
|
||
|
||
def __init__(
|
||
self,
|
||
file_path: str,
|
||
start_page: int = 0,
|
||
end_page: Optional[int] = None,
|
||
) -> None:
|
||
"""初始化PDFOpener实例。
|
||
|
||
Args:
|
||
file_path: PDF文件的路径。
|
||
start_page: 提取文本的起始页码（从0开始），默认为0。
|
||
end_page: 提取文本的结束页码（从0开始），默认为None（最后一页）。
|
||
"""
|
||
self._file_path: str = file_path
|
||
self._start_page: int = start_page
|
||
self._end_page: Optional[int] = end_page
|
||
|
||
def open(self) -> PdfReader:
|
||
"""打开PDF文件并返回PdfReader对象。
|
||
|
||
处理文件不存在、格式错误、权限不足等常见异常，
|
||
遇到异常时输出友好错误信息并退出程序。
|
||
|
||
Returns:
|
||
pypdf.PdfReader对象。
|
||
|
||
Raises:
|
||
SystemExit: 当文件不存在、格式错误或权限不足时退出程序。
|
||
"""
|
||
try:
|
||
reader = PdfReader(self._file_path)
|
||
return reader
|
||
except FileNotFoundError:
|
||
print(
|
||
f"错误：文件未找到，请检查路径是否正确：'{self._file_path}'",
|
||
file=sys.stderr,
|
||
)
|
||
sys.exit(1)
|
||
except pypdf.errors.PdfReadError as e:
|
||
print(
|
||
f"错误：无法读取PDF文件，文件可能已损坏或格式不正确：{e}",
|
||
file=sys.stderr,
|
||
)
|
||
sys.exit(1)
|
||
except PermissionError:
|
||
print(
|
||
f"错误：没有权限读取文件：'{self._file_path}'",
|
||
file=sys.stderr,
|
||
)
|
||
sys.exit(1)
|
||
|
||
def get_info(self, reader: PdfReader) -> dict:
|
||
"""获取PDF文件的基本信息。
|
||
|
||
Args:
|
||
reader: pypdf.PdfReader对象。
|
||
|
||
Returns:
|
||
包含PDF基本信息的字典，包括总页数和元数据。
|
||
"""
|
||
num_pages: int = len(reader.pages)
|
||
metadata: Optional[pypdf.DocumentInformation] = reader.metadata
|
||
|
||
info: dict = {
|
||
"num_pages": num_pages,
|
||
"title": metadata.title if metadata and metadata.title else "未知",
|
||
"author": metadata.author if metadata and metadata.author else "未知",
|
||
"subject": metadata.subject if metadata and metadata.subject else "未知",
|
||
"creator": metadata.creator if metadata and metadata.creator else "未知",
|
||
"producer": metadata.producer if metadata and metadata.producer else "未知",
|
||
"creation_date": (
|
||
metadata.creation_date if metadata and metadata.creation_date else "未知"
|
||
),
|
||
}
|
||
return info
|
||
|
||
def display_info(self, info: dict) -> None:
|
||
"""将PDF基本信息格式化输出到控制台。
|
||
|
||
Args:
|
||
info: 包含PDF基本信息的字典。
|
||
"""
|
||
separator: str = "=" * 50
|
||
print(separator)
|
||
print("PDF 文件基本信息")
|
||
print(separator)
|
||
print(f" 总页数 : {info.get('num_pages', '未知')}")
|
||
print(f" 标题 : {info.get('title', '未知')}")
|
||
print(f" 作者 : {info.get('author', '未知')}")
|
||
print(f" 主题 : {info.get('subject', '未知')}")
|
||
print(f" 创建工具 : {info.get('creator', '未知')}")
|
||
print(f" 生成工具 : {info.get('producer', '未知')}")
|
||
print(f" 创建日期 : {info.get('creation_date', '未知')}")
|
||
print(separator)
|
||
print()
|
||
|
||
def extract_text(self, reader: PdfReader) -> list[str]:
|
||
"""按页码范围逐页提取PDF文本内容。
|
||
|
||
Args:
|
||
reader: pypdf.PdfReader对象。
|
||
|
||
Returns:
|
||
每页文本内容组成的列表，列表索引对应页码偏移。
|
||
"""
|
||
num_pages: int = len(reader.pages)
|
||
|
||
# 确定实际的起始和结束页码（基于0的索引）
|
||
actual_start: int = max(0, self._start_page)
|
||
actual_end: int = (
|
||
num_pages - 1 if self._end_page is None else min(self._end_page, num_pages - 1)
|
||
)
|
||
|
||
if actual_start > actual_end:
|
||
print(
|
||
f"警告：起始页码 ({actual_start + 1}) 大于结束页码 ({actual_end + 1})，"
|
||
f"将不提取任何文本。",
|
||
file=sys.stderr,
|
||
)
|
||
return []
|
||
|
||
texts: list[str] = []
|
||
for page_index in range(actual_start, actual_end + 1):
|
||
page = reader.pages[page_index]
|
||
page_text: str = page.extract_text() or ""
|
||
texts.append(page_text)
|
||
|
||
return texts
|
||
|
||
def display_text(self, texts: list[str]) -> None:
|
||
"""将提取的文本内容格式化输出到控制台。
|
||
|
||
Args:
|
||
texts: 每页文本内容组成的列表。
|
||
"""
|
||
if not texts:
|
||
print("未提取到任何文本内容。")
|
||
return
|
||
|
||
separator: str = "-" * 50
|
||
actual_start_display: int = self._start_page + 1 # 转换为1-based显示
|
||
|
||
for i, text in enumerate(texts):
|
||
page_number: int = actual_start_display + i
|
||
print(f"【第 {page_number} 页】")
|
||
print(separator)
|
||
if text.strip():
|
||
print(text)
|
||
else:
|
||
print("（本页无可提取的文本内容）")
|
||
print(separator)
|
||
print()
|
||
|
||
def run(self) -> None:
|
||
"""主流程入口，依次执行PDF读取、信息展示和文本提取。
|
||
|
||
按顺序调用 open、get_info、display_info、extract_text、display_text。
|
||
"""
|
||
reader: PdfReader = self.open()
|
||
info: dict = self.get_info(reader)
|
||
self.display_info(info)
|
||
texts: list[str] = self.extract_text(reader)
|
||
self.display_text(texts)
|
||
|
||
|
||
def parse_args() -> argparse.Namespace:
|
||
"""解析命令行参数。
|
||
|
||
Returns:
|
||
包含解析后参数的Namespace对象：
|
||
- file_path: PDF文件路径（必填）
|
||
- start_page: 起始页码，1-based（可选，默认为1）
|
||
- end_page: 结束页码，1-based（可选，默认为None表示最后一页）
|
||
"""
|
||
parser = argparse.ArgumentParser(
|
||
description="PDF文件读取和文本提取工具",
|
||
formatter_class=argparse.RawDescriptionHelpFormatter,
|
||
epilog=(
|
||
"示例用法：\n"
|
||
" python main.py document.pdf\n"
|
||
" python main.py document.pdf --start-page 2 --end-page 5\n"
|
||
" python main.py document.pdf --start-page 3\n"
|
||
),
|
||
)
|
||
|
||
parser.add_argument(
|
||
"file_path",
|
||
type=str,
|
||
help="PDF文件的路径（必填）",
|
||
)
|
||
|
||
parser.add_argument(
|
||
"--start-page",
|
||
type=int,
|
||
default=1,
|
||
dest="start_page",
|
||
metavar="N",
|
||
help="提取文本的起始页码（从1开始，默认为1）",
|
||
)
|
||
|
||
parser.add_argument(
|
||
"--end-page",
|
||
type=int,
|
||
default=None,
|
||
dest="end_page",
|
||
metavar="N",
|
||
help="提取文本的结束页码（从1开始，默认为最后一页）",
|
||
)
|
||
|
||
args: argparse.Namespace = parser.parse_args()
|
||
|
||
# 验证页码参数合法性
|
||
if args.start_page < 1:
|
||
parser.error("--start-page 必须大于等于1")
|
||
|
||
if args.end_page is not None and args.end_page < 1:
|
||
parser.error("--end-page 必须大于等于1")
|
||
|
||
if args.end_page is not None and args.start_page > args.end_page:
|
||
parser.error("--start-page 不能大于 --end-page")
|
||
|
||
return args
|
||
|
||
|
||
def main() -> None:
|
||
"""程序主入口函数。
|
||
|
||
解析命令行参数，创建PDFOpener实例并执行主流程。
|
||
"""
|
||
args: argparse.Namespace = parse_args()
|
||
|
||
# 将1-based的用户输入页码转换为0-based的内部索引
|
||
start_page_index: int = args.start_page - 1
|
||
end_page_index: Optional[int] = (
|
||
args.end_page - 1 if args.end_page is not None else None
|
||
)
|
||
|
||
pdf_opener = PDFOpener(
|
||
file_path=args.file_path,
|
||
start_page=start_page_index,
|
||
end_page=end_page_index,
|
||
)
|
||
pdf_opener.run()
|
||
|
||
|
||
if __name__ == "__main__":
|
||
main()
|