Python如何批量提取多子文件夹PDF文本并按指定格式存入Excel

原有代码核心问题 #

• 函数内变量命名冲突：循环迭代时覆盖了存储结果的列表变量，且调用append的line变量未定义，运行会直接抛出NameError
• 文本处理逻辑不符合需求：将PDF文本按换行符拆分为独立字符串元素，最终生成的表格会把单行文本拆分到不同单元格，无法实现全文本存在同一单元格的要求
• 文件遍历范围不足：仅用os.listdir只能读取根目录下的直接文件，无法递归获取所有子文件夹内存储的PDF
• 输出格式不匹配：最终导出为CSV文件，且数据结构不符合指定的Excel存储规则

前置依赖安装 #

先执行以下命令安装需要的第三方库：
pip install pdfplumber pandas openpyxl

完整实现代码 #

import pdfplumber
import pandas as pd
import os

def extract_pdf_text(pdf_path):
    # 直接拼接所有页面的文本为单个完整字符串，不拆分行
    full_text = ""
    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            page_text = page.extract_text()
            # 处理扫描页/空白页提取不到文本的情况，避免报错
            if page_text:
                full_text += page_text + "\n"
    return full_text.strip()

# 替换成你的根文件夹实际路径
root_folder = "你的根文件夹实际路径"
excel_content = []

# 递归遍历根目录下所有子文件夹、文件
for folder_path, sub_folders, file_names in os.walk(root_folder):
    for file_name in file_names:
        # 筛选PDF文件，兼容大小写后缀
        if file_name.lower().endswith(".pdf"):
            pdf_full_path = os.path.join(folder_path, file_name)
            # 按要求顺序添加：先加文件名，再加提取的完整文本
            excel_content.append(file_name)
            pdf_text = extract_pdf_text(pdf_full_path)
            excel_content.append(pdf_text)

# 构造DataFrame，所有内容存在A列
df = pd.DataFrame(excel_content, columns=None)
# 导出为Excel文件，不保存索引和表头
df.to_excel("pdf_text_result.xlsx", index=False, header=False)

效果说明 #

• 自动递归遍历指定根文件夹下所有层级子文件夹内的PDF文件，兼容大小写.pdf后缀
• 导出的Excel文件中，A1、A3、A5…奇数行单元格依次存储每个PDF的文件名，对应的A2、A4、A6…偶数行单元格存储该PDF提取的完整文本，所有文本不会拆分，全部存放在同一个单元格内
• 自动处理空白页、扫描页无文本的情况，不会因提取结果为空抛出报错

可选格式调整 #

如果你需要改成「每个PDF占1行，A列存文件名、B列存对应文本」的更常见格式，只需要替换代码中遍历文件构造数据、导出Excel的部分即可：

excel_content = []
# 递归遍历根目录下所有子文件夹、文件
for folder_path, sub_folders, file_names in os.walk(root_folder):
    for file_name in file_names:
        # 筛选PDF文件，兼容大小写后缀
        if file_name.lower().endswith(".pdf"):
            pdf_full_path = os.path.join(folder_path, file_name)
            pdf_text = extract_pdf_text(pdf_full_path)
            excel_content.append([file_name, pdf_text])

# 构造带表头的DataFrame
df = pd.DataFrame(excel_content, columns=["PDF文件名", "提取文本"])
# 导出为Excel文件
df.to_excel("pdf_text_result.xlsx", index=False)

内容的提问来源于stack exchange，提问作者Gabry