正当我很嗨的下着infocom2013年的论文的时候
我忽视了一个问题，下了之后完全不知道谁是谁
然后我就崩溃了
然后找到了这个帖子，虽然代码有挺大的问题，不过基本上还能用
后面那一段取pdf第一行标题的位置没有做文件名长度的限制
我做了一个限制32个字符（NTFS貌似最长是128个字符）
更改代码片段如下：
1 2 3 4 5 6 7 | #这里就是把先前得到的路径名加上得到的新文件名，再加上后缀名，得到新的文件名 title=title[:32] #这里就是我添加的代码，改了之后就不会报文件名过长的错误了 new=string+title+".pdf" print "old=%s " % old |
他的代码中还有一处问题，就是字符串编码的问题，会导致很多符号无法识别，比如（？）这样的字符都会报错
然后我顺便把编码方式从GBK改成GB2312了，搞定收工
1 2 3 4 5 | print "new = %s " % new #这里一定要对新的文件名重新定义编码格式，而且一定是GBK，因为Windows中文版默认的就是GBK编码 new=new.encode('GB2312') #关闭文件流，不然无法更名 stream.close() |
本文转载自点击打开链接
如下：
这两天全组的人都被shadi抓着去下各种会议论文，有些会议还好，可以直接批量下载。像IEEE和ACM的会议，只能从学校图书馆里进数据库，然后一篇篇地打开、保存，而且保存下来的pdf文件名字都是数字。还有些是从google scholar里搜出来的，名字更加没有规律了。
大神jhonglei同学见状，自告奋勇地上网搜索了一番，给出了一段可以根据pdf文件的title属性对pdf文件进行批量重命名的python代码。
#encoding:utf-8
'''
需要到：http://pybrary.net/pyPdf/ 下载安装pyPdf库
'''
import os
import operator
from pyPdf import PdfFileWriter, PdfFileReader
#对取得的文件命格式化，去掉其中的非法字符
def format(filename):
if (isinstance(filename, str)):
tuple=('?','╲','*','/',',','“','<','>','|','“','“','，','‘','”',',','/',':')
for char in tuple:
if (filename.find(char)!=-1):
filename=filename.replace(char,” ”)
return filename
else:
return 'None'
#通过递归调用次方法依次遍历文件夹中的每个文件,如果后缀名是.pdf，则对其处理
def VisitDir(path):
li=os.listdir(path)
for p in li:
pathname=os.path.join(path,p)
if not os.path.isfile(pathname):
VisitDir(pathname)
else:
back=os.path.splitext(pathname)
backname=back[1]
if backname=='.pdf':
print pathname
rename(pathname)
#文件改名程序
def rename(pathname):
stream=file(pathname, “rb”)
input1 = PdfFileReader(stream)
isEncrypted=input1.isEncrypted
if not(isEncrypted):
#这里的pathname包含路径以及文件名，根据/将起分割成一个list然后去除文件名，保留路径
list=pathname.split(“")
oldname=””
for strname in list:
oldname+=strname+'\'
old=oldname[0:len(oldname)-1]
#这就是去除文件名
list.pop()
string=””
for strname in list:
string+=strname+'\'
print “string= %s” % string
title=str(input1.getDocumentInfo().title)
print “title = %s” % (input1.getDocumentInfo().title)
title=format(title)
#这里就是把先前得到的路径名加上得到的新文件名，再加上后缀名，得到新的文件名
new=string+title+”.pdf”
print “old=%s “ % old
print “new = %s “ % new
#这里一定要对新的文件名重新定义编码格式，而且一定是GBK，因为Windows中文版默认的就是GBK编码
new=new.encode('GBK')
#关闭文件流，不然无法更名
stream.close()
if(str(title)!=”None”):
try:
os.rename(old, new)
except WindowsError,e:
#print str(e)
print e
else:
print”The file contian no title attribute!”
else:
print “This file is encrypted!”
if name==”main”:
path=r”F:PapersICDE'09Demos”
VisitDir(path)
但是这段代码还是有问题的：
1、有些pdf文件的title属性为空，或者并不是真正的文件名
这样的重命名无意义
2、有些pdf文件的title属性里有非拉丁字符，
这会报错
UnicodeEncodeError: 'ascii' codec can't encode character u'xe9' in position 4: ordinal not in range(128)
后来大神又找到了一个更牛逼的库，pdfminer http://www.unixuser.org/~euske/python/pdfminer/
主要的想法就是用pfdminer的pdf2txt模块将pdf文件的第一页转换成文本，然后从中读取第一行作为文件名
得益于pdfminer强大的功能，这样的命名准确率非常高。只要你的pdf文件不是扫描版的（图片格式），都可以正确获取文件名
下面的代码要正常运行，必须与pdfminer中的pdf2txt.py位于同一目录下
#encoding:utf-8
''' 目的：根据文章的标题重命名title
采用两种方式获取文章的title 方式一： 读取PDF的title属性g，根据这个属性，更改次文档的名字！ 也就是选中pdf文件右键后点击查看获取的 需要到：http://pybrary.net/pyPdf/ 方式二： 根据pdf内容获取title 需要pdfminer '''
import os import operator from pyPdf import PdfFileWriter, PdfFileReader #对取得的文件命格式化，去掉其中的非法字符 def format(filename): if (isinstance(filename, str)): tuple=('?','╲','*','/',',','“','<','>','|','“','“','，','‘','”',',','/',':') for char in tuple: if (filename.find(char)!=-1): filename=filename.replace(char,” ”) return filename else: return 'None'
## 添加因为pdf转换产生的乱码 key_value = { 'xefxacx81':'fi'}
#通过递归调用次方法依次遍历文件夹中的每个文件,如果后缀名是.pdf，则对其处理 def VisitDir(path): li=os.listdir(path) for p in li: pathname=os.path.join(path,p) if not os.path.isfile(pathname): VisitDir(pathname) else: back=os.path.splitext(pathname) backname=back[1] if backname=='.pdf': print pathname rename(pathname) #文件改名程序 def rename(pathname): stream=file(pathname, “rb”) input1 = PdfFileReader(stream) isEncrypted=input1.isEncrypted if not(isEncrypted): #这里的pathname包含路径以及文件名，根据/将起分割成一个list然后去除文件名，保留路径 list=pathname.split(“") oldname=”” for strname in list: oldname+=strname+'\' old=oldname[0:len(oldname)-1] #这就是去除文件名 list.pop() string=”” for strname in list: string+=strname+'\' print “string= %s” % string ## Option 1: user attributes title = str(input1.getDocumentInfo().title) #print “title = %s” % (input1.getDocumentInfo().title) ################ jiang added #if(str(title) == “None”): ###Option2: use pdf content download os.system('python pdf2txt.py -p 1 “'+old+'“ >c.txt') f = open(“c.txt”,”rb”) title = ”” a = f.readline() while( a not in (“rn”,”n”) ): title += a a = f.readline() title = title.replace(“rn”,” ”).strip() ########### jiang added title=format(title) for key,value in key_value.iteritems(): title = title.replace(key,value) #这里就是把先前得到的路径名加上得到的新文件名，再加上后缀名，得到新的文件名 new=string+title+”.pdf” print “old=%s “ % old print “new = %s “ % new #这里一定要对新的文件名重新定义编码格式，而且一定是GBK，因为Windows中文版默认的就是GBK编码 new=new.encode('GBK') #关闭文件流，不然无法更名 stream.close() if(str(title)!=”None”): try: os.rename(old, new) except WindowsError,e: print str(e) else: # python pdf2txt.py -p 1 p43-nazir.pdf >c.txt print”The file contian no title attribute!” else: print “This file is encrypted!” if name==”main”: path=r”.” #the current directory VisitDir(path)