本文目录导读：
batch_docs_to_txt.py
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
批量文档转纯文本工具
支持格式：.txt, .docx, .pdf
"""
import os
import sys
import argparse
from pathlib import Path
# 尝试导入所需库
try:
import docx # python-docx
except ImportError:
docx = None
try:
import pdfplumber # 或 PyPDF2
except ImportError:
pdfplumber = None
def extract_text(file_path):
"""根据文件类型提取文本"""
suffix = file_path.suffix.lower()
# 1. 纯文本文件
if suffix == '.txt':
try:
with open(file_path, 'r', encoding='utf-8') as f:
return f.read()
except UnicodeDecodeError:
# 尝试其他编码
try:
with open(file_path, 'r', encoding='gbk') as f:
return f.read()
except:
return f"[编码错误] {file_path.name}"
# 2. Word 文档
elif suffix in ('.docx', '.doc'):
if docx is None:
return "[错误] 需要安装 python-docx: pip install python-docx"
try:
doc = docx.Document(str(file_path))
full_text = []
for para in doc.paragraphs:
full_text.append(para.text)
return '\n'.join(full_text)
except Exception as e:
return f"[错误] {e}"
# 3. PDF 文件
elif suffix == '.pdf':
if pdfplumber is None:
# 尝试 PyPDF2 作为备选
try:
import PyPDF2
with open(file_path, 'rb') as f:
reader = PyPDF2.PdfReader(f)
text = []
for page in reader.pages:
text.append(page.extract_text())
return '\n'.join(text)
except ImportError:
return "[错误] 需要安装 pdfplumber 或 PyPDF2"
try:
with pdfplumber.open(str(file_path)) as pdf:
text = []
for page in pdf.pages:
page_text = page.extract_text()
if page_text:
text.append(page_text)
return '\n'.join(text)
except Exception as e:
return f"[错误] {e}"
else:
return f"[不支持格式: {suffix}]"
def convert_file(input_path, output_dir, overwrite=False):
"""转换单个文件"""
input_path = Path(input_path)
# 生成输出路径
output_name = input_path.stem + '.txt'
output_path = Path(output_dir) / output_name
# 检查是否已存在
if output_path.exists() and not overwrite:
print(f" 跳过 (已存在): {output_name}")
return False
# 提取文本
text = extract_text(input_path)
if text.startswith("[错误]") or text.startswith("[不支持"):
print(f" 失败: {input_path.name} - {text}")
return False
# 写入文件
with open(output_path, 'w', encoding='utf-8') as f:
f.write(text)
print(f" ✓ {input_path.name} -> {output_name}")
return True
def main():
parser = argparse.ArgumentParser(description='批量文档转纯文本工具')
parser.add_argument('input', help='输入文件或目录')
parser.add_argument('-o', '--output', default='output_txt',
help='输出目录 (默认: output_txt)')
parser.add_argument('--overwrite', action='store_true',
help='覆盖已有文件')
parser.add_argument('--recursive', action='store_true',
help='递归处理子目录')
parser.add_argument('--ext', nargs='+', default=['.txt', '.docx', '.doc', '.pdf'],
help='要处理的文件扩展名 (默认: .txt .docx .doc .pdf)')
args = parser.parse_args()
input_path = Path(args.input)
# 检查输入是否存在
if not input_path.exists():
print(f"错误: 输入路径不存在: {args.input}")
sys.exit(1)
# 创建输出目录
output_dir = Path(args.output)
output_dir.mkdir(parents=True, exist_ok=True)
# 收集要处理的文件
files_to_process = []
if input_path.is_file():
files_to_process.append(input_path)
elif input_path.is_dir():
pattern = '*' if args.recursive else '*'
for ext in args.ext:
ext_lower = ext.lower()
if not ext_lower.startswith('.'):
ext_lower = '.' + ext_lower
if args.recursive:
files_to_process.extend(input_path.rglob(f'*{ext_lower}'))
else:
files_to_process.extend(input_path.glob(f'*{ext_lower}'))
if not files_to_process:
print("没有找到匹配的文件")
return
print(f"\n找到 {len(files_to_process)} 个文件")
print(f"输出目录: {output_dir.resolve()}")
print("─" * 50)
success = 0
fail = 0
for file_path in sorted(files_to_process):
if convert_file(file_path, output_dir, args.overwrite):
success += 1
else:
fail += 1
print("─" * 50)
print(f"完成: {success} 成功, {fail} 失败")
if __name__ == '__main__':
# 检查依赖
missing = []
if docx is None:
missing.append("python-docx")
if pdfplumber is None:
try:
import PyPDF2
except ImportError:
missing.append("pdfplumber 或 PyPDF2")
if missing:
print("缺少依赖:")
for pkg in missing:
print(f" pip install {pkg}")
print()
main()
安装依赖
pip install python-docx pdfplumber # 或 pip install python-docx PyPDF2
使用方法
基本用法
# 转换当前目录所有文档 python batch_docs_to_txt.py . # 转换单个文件 python batch_docs_to_txt.py document.docx # 转换指定目录 python batch_docs_to_txt.py /path/to/documents
常用选项
# 递归处理子目录 python batch_docs_to_txt.py . --recursive # 只处理docx文件 python batch_docs_to_txt.py . --ext .docx # 指定输出目录 python batch_docs_to_txt.py . -o ./txt_output # 覆盖已有文件 python batch_docs_to_txt.py . --overwrite
完整示例
# 递归转换当前目录所有文档，输出到my_txt文件夹 python batch_docs_to_txt.py . --recursive -o my_txt # 转换所有PDF文件 python batch_docs_to_txt.py . --ext pdf # 指定多种格式 python batch_docs_to_txt.py . --ext docx pdf txt
功能特点
- 支持多种格式：docx、doc、pdf、txt
- 递归处理：
--recursive参数处理子目录 - 错误处理：编码错误、格式不支持等都有提示
- 进度显示：显示转换成功/失败数量
- 避免覆盖：默认跳过已存在的输出文件
- 编码自适应：自动处理不同编码的文本文件
扩展支持
如果需要支持更多格式（如 .odt, .rtf），可以修改 extract_text 函数,添加对应的处理逻辑。
