PythonでPDFからテキストを抽出し、テキストファイルに保存する

前提条件

• Windows10
• Python3
• PyMuPDFライブラリ
• Tkinterライブラリ

サンプルのPDFファイルは下記のウィキペディアトップページをPDFとしてローカルに保存したものを使用します。
https://ja.wikipedia.org/wiki/%E3%83%A1%E3%82%A4%E3%83%B3%E3%83%9A%E3%83%BC%E3%82%B8

PyMuPDFライブラリの公式ドキュメントは以下です。
https://pymupdf.readthedocs.io/en/latest/

Tkinterライブラリの公式ドキュメントはこちらです。
https://docs.python.org/ja/3/library/tkinter.html

目的

PyMuPDFライブラリを利用して、ローカルにあるPDFからテキストを抽出し、それをテキストファイルに保存する。Windows OSによる文字化けを防ぐため、文字コードはShift_JISとして統一して扱う。

環境構築

PyMuPDFライブラリのインストール

pip install pymupdf

サンプル

pdf2text.py

# -*- coding: utf-8 -*-

import fitz # pymupdfライブラリ

pdf = 'C:\\Wikipedia.pdf'
doc = fitz.open(pdf)

file = f'{pdf}_to_text.txt'
f = open(file, 'w',  encoding='shift_jis', errors='ignore')

for page in range(len(doc)):
    tmp = doc[page].get_text()
    tmp2 = tmp.encode('shift_jis','ignore')
    text = tmp2.decode('shift_jis')
    f.write(text)

doc.close()
f.close() 

Tkinterライブラリを利用し、PDFをGUIで選択できるようにする。

pdf2text2.py

# -*- coding: utf-8 -*-
import fitz # pymupdfライブラリ
from tkinter import filedialog #thinterライブラリ
import os

typ = [('pdfファイル','*.pdf')] 
dir = './'

pdf = filedialog.askopenfilename(filetypes = typ, initialdir = dir) 
doc = fitz.open(pdf)

file = os.path.splitext(pdf)[0] + '_to_text.txt'
f = open(file, 'w',  encoding='shift_jis', errors='ignore')

for page in range(len(doc)):
    tmp = doc[page].get_text()
    tmp2 = tmp.encode('shift_jis','ignore')
    text = tmp2.decode('shift_jis')
    f.write(text)

doc.close()
f.close() 

参考資料

きっかけ

下記で抽出したテキストをまずはテキストファイルに保存したかったので、このプログラムを書いた。