讀取pdf和docx文件，親測有效

作文本數據處理，我最怕遇到pdf和docx，一旦遇到了，都是雙手開啓無影指模式狂按快捷鍵。按的手抽，按的崩潰。

今天我大師兄查哥搞定了pdf文件的讀取，知道此過後異常欣喜。在此基礎上，我查找了docx文件的讀取實現方式，特發此文與衆分享。

安裝
代碼是運行在python3，須要安裝的包：

• pdfminer3k

• python-docx

from io import StringIO
from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.pdfinterp import process_pdf
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
import re
import docx

def read_from_pdf(file_path):
    """
    讀取pdf文件，並返回pdf中的文本內容。
    :param file_path:  pdf文件路徑
    :return: 字符串
    """
    with open(file_path, 'rb') as file:
        resource_manager = PDFResourceManager()
        return_str = StringIO()
        lap_params = LAParams()
        device = TextConverter(resource_manager, return_str, laparams=lap_params)
        process_pdf(resource_manager, device, file)
        device.close()
        content = return_str.getvalue()
        return_str.close()
        return re.sub('\s+', ' ', content)

def read_from_docx(file_path):
    """
    讀取docx文件，並返回其中的文本內容
    :param file_path: docx文件路徑
    :return: docx中的文本內容
    """
    texts = ''
    doc = docx.Document(file_path)
    for para in doc.paragraphs:
        texts += para.text    
    return texts

print(read_from_pdf('test.pdf'))
print(read_from_docx('test.docx'))

運行結果可見下圖，這是我在本身電腦上成功讀取pdf，今後手指不再用抽筋了，開心！