2022/3/22 16:51:14 阅读：349 发布者：chichi77
今天推荐一个超级好用的pdf转txt的python脚本。强烈推荐！！！
废话不多说，这个大家Git-hub上都可以找到，搜搜（pdfminer）关键词。链接如下：
https://github.com/pdfminer/pdfminer.six
安装使用github里面都有说明，在这里简单复读一遍：
安装：
pip3 install pdfminer.six
使用：
pdf2txt.py sample.pdf >> sample.txt
So easy and powerful.
案例：在J. Phys. Chem. C 2019, 123, 47, 29024–29036 这篇文章的支持信息中， 有超级多的Pt团簇的xyz结构。直接在pdf复制粘贴并生产计算输入文件很费劲。可以用这个命令先把pdf转成txt文本，然后结合其他命令获得结构。下面是我的一些操作心得,有兴趣的可以下载支持信息，亲自动刀操作一遍。
第一步：转pdf到文本
pdf2txt.py jp9b08691_si_001.pdf >> si.txt
第二步：提取坐标
Pdf中，可以通过'Cluster=Pt' 结合数字定位，然后后面的N行即为坐标信息。用grep命令即可。
提取PDF中所有的Pt5 团簇结构。
grep Cluster=Pt5 -A 5 si.txt > Pt5.txt
第三步：检查Pt5.txt文件
发现有个结构出现了问题，这是因为PDF中坐标因为分页被强行中断了，pdf2txt转化的时候，在两页的内容之间会出现'^LSN' 的信息（N为页码），一定要注意检查。在这个例子中，‘^LS4’ 前面有1空行，后面2空行。
第三步：修改si.txt 文件，删除分页信息，这里用的是sed命令：
sed -i -e '/S/,+2d' -e '$!N;/\n.*S/!P;D' si.txt
紫色部分代表删掉后面2行，红色代表删掉前面1行。
另外要注意，这里用‘S’字符来定位分页信息的部分，其他含有'S'字母的行也会无差别删除，比如下面的几行。
第四步：重新提取：
grep Cluster=Pt5 -A 5 si.txt > Pt5.txt
这样，Pt5.txt文件中就包含所有的Pt5的坐标信息了。剩下的就需要你根据自己平时搭结构的习惯以及用的计算程序，读取并做成输入文件。
本人用的split这个命令，把Pt5.txt分割成N个文本（xaa...xbg），每个文本包含一个Pt5团簇的结构。
就到这儿吧，记住pdf2txt.py 就OK，提取支持信息里面的坐标结构真是爽歪歪啊，比自己复制粘贴好多了。另外， 1） 强烈建议大家投稿的时候直接把xyz文件打包作为支持信息，这样后面的人就不需要这么麻烦了，2）更强烈建议投稿的时候要把坐标信息附在支持信息里面，不管是pdf也好，xyz文件也罢。 很多人投稿都不放xyz文件，导致其他人想练练手，重复下都没办法。
大家尽量自己动手操作一番，如果行不通再联系我，会把这个例子打包发给你（lqcata@gmail.com）
如有侵权，请联系本站删除！
