如何用Python读取文件夹中PDF与Word文件并生成两列表格

1. 安装依赖库 #

首先安装处理不同文件类型的必备库：

• 处理PDF：PyPDF2
• 处理docx：python-docx
• 处理doc（Windows环境）：pywin32

执行安装命令：

pip install PyPDF2 python-docx pywin32

2. 核心代码实现 #

以下代码会遍历指定文件夹，自动识别PDF、doc、docx文件并提取文本，最终生成包含文件ID和文本内容的结构化表格（支持直接打印或导出为CSV）：

import os
from PyPDF2 import PdfReader
from docx import Document
import win32com.client as win32

def extract_pdf_text(file_path):
    """提取PDF文件文本内容"""
    text = ""
    try:
        reader = PdfReader(file_path)
        for page in reader.pages:
            extracted = page.extract_text()
            if extracted:
                text += extracted
    except Exception as e:
        print(f"处理PDF [{file_path}] 出错: {str(e)}")
    return text.strip()

def extract_docx_text(file_path):
    """提取docx文件文本内容"""
    text = ""
    try:
        doc = Document(file_path)
        for para in doc.paragraphs:
            text += para.text + "\n"
    except Exception as e:
        print(f"处理docx [{file_path}] 出错: {str(e)}")
    return text.strip()

def extract_doc_text(file_path):
    """提取doc文件文本内容（仅Windows环境，依赖本地Word）"""
    text = ""
    try:
        word_app = win32.gencache.EnsureDispatch("Word.Application")
        word_app.Visible = False
        doc = word_app.Documents.Open(os.path.abspath(file_path))
        text = doc.Content.Text
        doc.Close()
        word_app.Quit()
    except Exception as e:
        print(f"处理doc [{file_path}] 出错: {str(e)}")
    return text.strip()

def process_target_folder(folder_path):
    """遍历文件夹，处理所有目标文件并生成表格"""
    result_table = []
    current_id = 1
    for filename in os.listdir(folder_path):
        full_path = os.path.join(folder_path, filename)
        if not os.path.isfile(full_path):
            continue
        
        # 根据文件后缀调用对应提取函数
        if filename.lower().endswith(".pdf"):
            content = extract_pdf_text(full_path)
        elif filename.lower().endswith(".docx"):
            content = extract_docx_text(full_path)
        elif filename.lower().endswith(".doc"):
            content = extract_doc_text(full_path)
        else:
            continue
        
        result_table.append({
            "文件ID": current_id,
            "文本内容": content
        })
        current_id += 1
    return result_table

if __name__ == "__main__":
    # 替换为你的目标文件夹路径
    target_dir = r"C:\Your\Target\Folder"
    file_content_table = process_target_folder(target_dir)
    
    # 打印结果示例
    for item in file_content_table:
        print(f"文件ID: {item['文件ID']}")
        print(f"文本内容:\n{item['文本内容']}\n{'='*60}")
    
    # 可选：导出为CSV文件（解决中文乱码问题）
    import csv
    with open("文件内容汇总表.csv", "w", encoding="utf-8-sig", newline="") as csv_file:
        writer = csv.DictWriter(csv_file, fieldnames=["文件ID", "文本内容"])
        writer.writeheader()
        writer.writerows(file_content_table)

3. 注意事项 #

• doc文件兼容性：pywin32仅支持Windows环境，依赖本地安装的Microsoft Word；Linux/macOS环境可尝试使用antiword工具配合subprocess调用，或安装textract库（需额外配置系统依赖）。
• 特殊PDF处理：扫描版PDF无法直接提取文本，需搭配OCR工具（如pytesseract）预处理；加密PDF需先解密才能读取。
• 编码问题：导出CSV时使用utf-8-sig编码，可避免Excel打开时出现中文乱码。

内容的提问来源于stack exchange，提问作者Hugo Coras