python pdf转markdown

不念不忘少年蓝@ 2022-12-28 08:21 318阅读 0赞

wxPython in action，比较系统地介绍了wxPython的使用。一直用的是中文翻译的版本，有时想运行里面的demo，复制出来很费劲，所以写了一个自动化的脚本，将文本转为了markdown格式。

读取pdf文件，将每一页转为json文件。

import pdfplumber
    import json
    
    path = r'wxpython in action.pdf'
    
    '''字典组成的列表，按照某一个属性归类，也就是返回一个二维数组'''
    def groupByKey(arr,key = 'y0',yBalance = 3.19):
        tempValue = arr[0][key]
        tempIndex = 0
        results = []
        while(True):
            tempArr = []
            flag = False
            for i,j in enumerate(arr[tempIndex:]):
                # 注意char的y0属性表示每一个字符距离页面底部的距离，同一行文本可能有一个偏移值，所以需要加上这个范围
                # 否则同一行文本会被割裂成多行
                if float(j[key]) >= float(tempValue) - yBalance and float(j[key]) <= float(tempValue) + yBalance:
                    tempArr.append(j)
                else:
                    tempValue = j[key]
                    tempIndex += i
                    flag = True
                    break
            results.append(tempArr)
            if not flag:
                break
        return results
    
    '''通过检测字符的字体来判断是否是代码文本，也就是pdf中那个蓝色的斜体字体'''
    def checkIsCode(arr):
        for i in arr:
            # 要注意空格的字体和文本的字体还不一样
            if i['fontname'] == 'JJDCVA+Times-BoldItalic' or i['fontname'] == 'DCQJKI+Times-BoldItalic':
                return True
        return False
    
    '''处理单页pdf'''
    def handleSinglePage(page,index):
        chars = page.chars
        # 通过char对象的y0属性转为二维数组
        results = groupByKey(chars, 'y0')
        resultList = []
        for j in results:
            textTemp = ''
            for k in j:
                textTemp += k['text']
            # 去掉这个特殊字符，转为普通空格
            textTemp = textTemp.replace('\xa0',' ')
            resultList.append({
        'text':textTemp,'isCode':checkIsCode(j)})
        # 写入json文件
        json.dump(resultList,open('../jsonFiles/'+str(index)+'.json','w',encoding='utf-8'),ensure_ascii=False,indent=4)
    
    with pdfplumber.open(path) as pdf:
        # 获取所有page对象
      pages = pdf.pages
      for i,page in enumerate(pages[18:]):
        handleSinglePage(page,i+18)
        print('page '+str(i+18)+' completed!')

生成的json文件格式如下  
每一个对象表示一行文本，text是文本内容，isCode为true表示是代码文本。

[
        {
        
            "text": "Part1 wxPython入门",
            "isCode": false
        },
        {
        
            "text": "1. 欢迎来到wxPython",
            "isCode": false
        },
        {
        
            "text": "下面是一个例子，它创建了一个有一个文本框的窗口用来显示鼠标的位",
            "isCode": false
        },
        {
        
            "text": "置。",
            "isCode": false
        },
        {
        
            "text": "#!/bin/env python ",
            "isCode": true
        },
        {
        
            "text": "import wx ",
            "isCode": true
        }
    ]

处理json文件，合成为一个markdown文件

from os.path import join
    import json
    
    '''json文件根目录'''
    basePath = r'../jsonFiles'
    
    '''arr 字典数组 key 需要分组的属性'''
    def groupByKey(arr,key):
        tempValue = arr[0][key]
        tempIndex = 0
        results = []
        while(True):
            tempArr = []
            flag = False
            for i,j in enumerate(arr[tempIndex:]):
                if j[key] == tempValue:
                    tempArr.append(j)
                else:
                    tempValue = j[key]
                    tempIndex += i
                    flag = True
                    break
            results.append(tempArr)
            if not flag:
                break
        return results
    
    '''生成md字符串'''
    def generateMdText(content):
        data= json.loads(content)
        results = groupByKey(data,'isCode')
        resultText = ''
        for i in results:
            if i[0]['isCode'] == True:
                text= joinCode(i)
                resultText += text
            else:
                text = joinText(i)
                resultText += text
        # 每一页结束插入md分隔符
        resultText += '\n---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------\n'
        return resultText
    
    '''拼接普通文本'''
    def joinText(arr):
        temp = ''
        for i in arr:
            temp += i['text']+'\n'
        return temp
    
    '''拼接代码文本'''
    def joinCode(arr):
        # 拼接python md代码块开头
        result = '```python\n'
        temp = joinText(arr)
        # 替换掉文本中不符合python规范的单引号和双引号'''
        result += temp.replace('”','\"').replace('“','\"').replace('’','\'')
        # 拼接python md代码块结尾
        result += '```\n';
        return result
    
    # 页码范围18-565
    for i in range(18,565):
        p = join(basePath,str(i)+'.json')
        with open(p,'r',encoding='utf-8') as f:
            # 读取对应的json文件
            content = f.read()
            # 生成md字符串
            mdText= generateMdText(content)
            with open('../md/wxpython in action.md', 'a', encoding='utf-8') as f2:
                f2.write(mdText)

最终生成的mardown文件  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzA2OTg3NQ_size_16_color_FFFFFF_t_70]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzA2OTg3NQ_size_16_color_FFFFFF_t_70]: /images/20221120/c2bd0b61afad4758a9a0b75d2ae984d8.png