textract： 从文档提取文本内容（pdf、doc、jpg...）

textract： 从文档提取文本内容（pdf、doc、jpg...）

在一个繁忙的工作日，我收到了一个紧急任务：需要从数百份各种格式的文档中提取文本内容进行分析。这些文档包括PDF、Word、图片、PPT等各种格式。手动复制粘贴？不，这太低效了。就在这时，我发现了textract这个神奇的库。

textract就像一把，它能够从几乎所有常见的文档格式中提取出纯文本内容。无论是扫描版PDF、加密的Word文档，还是各种图片格式，它都能轻松应对。

安装textract非常简单，但需要注意一些依赖：

# 首先安装系统依赖（Ubuntu/Debian）
# sudo apt-get install python-dev libxml2-dev libxslt1-dev antiword unrtf poppler-utils pstotext tesseract-ocr flac ffmpeg lame libmad0 libsox-fmt-mp sox libjpeg-dev swig

# 然后通过pip安装
pip install textract

Windows用户可能需要额外安装一些工具，建议使用WSL或虚拟机运行Linux环境。

textract的使用方式出奇地简单：

import textract

# 从PDF提取文本
text = textract.process("document.pdf")
print(text.decode('utf-8'))

# 从Word文档提取
text = textract.process("report.docx")
print(text.decode('utf-8'))

# 从图片提取（需要安装tesseract-ocr）
text = textract.process("scan.jpg")
print(text.decode('utf-8'))

textract还支持多种高级特性：

# 处理加密PDF
text = textract.process("encrypted.pdf", password='secret')

# 指定语言进行OCR（支持多语言）
text = textract.process("chinese.jpg", language='chi_sim')

# 处理特定页面（仅PDF）
text = textract.process("book.pdf", pages='1-')

# 处理远程文件
import requests
respe = requests.get('.pdf')
with open('temp.pdf', 'wb') as f:
    f.write()
text = textract.process('temp.pdf')

下面是一个实际的项目案例，展示如何批量处理一个目录下的所有文档：

import textract
from pathlib import Path
import pandas as pd

def extract_all_documents(directory):
    results = []
    for file_path in Path(directory).rglob('*'):
        if file_path.suffix.lower() in ['.pdf', '.docx', '.doc', '.jpg', '.png']:
            try:
                text = textract.process(str(file_path))
                results.append({
                    'file': str(file_path),
                    'content': text.decode('utf-8'),
                    'status': 'success'
                })
            except Exception as e:
                results.append({
                    'file': str(file_path),
                    'content': str(e),
                    'status': 'error'
                })
    
    return pd.DataFrame(results)

# 使用示例
df = extract_all_documents('documents/')
_excel('extraction_results.xlsx', index=False)

textract的优点是显而易见的：

• • 支持超过20种文档格式
• • API简单直观
• • 处理质量较高
• • 可以处理加密文档

但也存在一些限制：

• • 依赖较多，安装可能比较复杂
• • 某些格式需要额外的系统工具
• • 处理大文件时可能较慢
• • OCR功能依赖tesseract的质量

对于需要经常处理各种文档格式的开发者来说，textract绝对是一个必备的工具。它不仅能节省大量的手动工作时间，还能作为自动化处理流程的重要组件。未来，随着AI技术的发展，textract的OCR能力可能会进一步增强，处理效率也会不断提升。

如果你正在寻一个可靠的文档文本提取解决方案，不妨试试textract。它可能会成为你工具箱中最有价值的工具之一。