两行Python代码实现pdf转word功能

作者:Dr.sky_ 时间:2023-06-11 08:55:23 

一、安装依赖包

pip install --index https://pypi.mirrors.ustc.edu.cn/simple/ python-office

二、pdf转word

2.1 代码实现

import office
office.pdf.pdf2docx(file_path = 'test.pdf')

运行过程如下:

[1/4] Opening document...
[INFO] [2/4] Analyzing document...
[WARNING] 'created' timestamp seems very low; regarding as unix timestamp
[WARNING] 'modified' timestamp seems very low; regarding as unix timestamp
[WARNING] 'created' timestamp seems very low; regarding as unix timestamp
[WARNING] 'modified' timestamp seems very low; regarding as unix timestamp
[INFO] [3/4] Parsing pages...
[INFO] (1/9) Page 1
[INFO] (2/9) Page 2
[INFO] (3/9) Page 3
[INFO] (4/9) Page 4
[INFO] (5/9) Page 5
[INFO] (6/9) Page 6
[INFO] (7/9) Page 7
[INFO] (8/9) Page 8
[INFO] (9/9) Page 9
[INFO] [4/4] Creating pages...
[INFO] (1/9) Page 1
[INFO] (2/9) Page 2
[INFO] (3/9) Page 3
[INFO] (4/9) Page 4
[INFO] (5/9) Page 5
[INFO] (6/9) Page 6
[INFO] (7/9) Page 7
[INFO] (8/9) Page 8
[INFO] (9/9) Page 9
[INFO] Terminated in 1.30s.
 
Process finished with exit code 0

2.2 pdf内容

两行Python代码实现pdf转word功能

2.3 转换后的word

两行Python代码实现pdf转word功能

由上可见,效果还不错。

补充

除了上文的办法,小编还为大家整理了更多Python实现的PDF转Word方法,需要的可以参考一下

方法一:

import os
from configparser import ConfigParser
from io import StringIO
from io import open
from concurrent.futures import ProcessPoolExecutor

from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.pdfinterp import process_pdf
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from docx import Document

def read_from_pdf(file_path):
   with open(file_path, 'rb') as file:
       resource_manager = PDFResourceManager()
       return_str = StringIO()
       lap_params = LAParams()

device = TextConverter(
           resource_manager, return_str, laparams=lap_params)
       process_pdf(resource_manager, device, file)
       device.close()

content = return_str.getvalue()
       return_str.close()
       return content

def save_text_to_word(content, file_path):
   doc = Document()
   for line in content.split('\n'):
       paragraph = doc.add_paragraph()
       paragraph.add_run(remove_control_characters(line))
   doc.save(file_path)

def remove_control_characters(content):
   mpa = dict.fromkeys(range(32))
   return content.translate(mpa)

def pdf_to_word(pdf_file_path, word_file_path):
   content = read_from_pdf(pdf_file_path)
   save_text_to_word(content, word_file_path)

def main():
   config_parser = ConfigParser()
   config_parser.read('config.cfg')
   config = config_parser['default']

tasks = []
   with ProcessPoolExecutor(max_workers=int(config['max_worker'])) as executor:
       for file in os.listdir(config['pdf_folder']):
           extension_name = os.path.splitext(file)[1]
           if extension_name != '.pdf':
               continue
           file_name = os.path.splitext(file)[0]
           pdf_file = config['pdf_folder'] + '/' + file
           word_file = config['word_folder'] + '/' + file_name + '.docx'
           print('正在处理: ', file)
           result = executor.submit(pdf_to_word, pdf_file, word_file)
           tasks.append(result)
   while True:
       exit_flag = True
       for task in tasks:
           if not task.done():
               exit_flag = False
       if exit_flag:
           print('完成')
           exit(0)

if __name__ == '__main__':
   main()

方法二:

加密过的PDF转word


#-*- coding: UTF-8 -*-
#!/usr/bin/python
#-*- coding: utf-8 -*-
import sys
import importlib
importlib.reload(sys)
from pdfminer.pdfparser import PDFParser,PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import *
from pdfminer.pdfinterp import PDFTextExtractionNotAllowed
import os
#设置工作目录文件夹
os.chdir(r'c:/users/dicey/desktop/codes/pdf-docx')
#解析pdf文件函数
def parse(pdf_path):
fp = open('diya.pdf', 'rb') # 以二进制读模式打开
# 用文件对象来创建一个pdf文档分析器
parser = PDFParser(fp)
# 创建一个PDF文档
doc = PDFDocument()
# 连接分析器 与文档对象
parser.set_document(doc)
doc.set_parser(parser)
# 提供初始化密码
# 如果没有密码 就创建一个空的字符串
doc.initialize()
# 检测文档是否提供txt转换,不提供就忽略
if not doc.is_extractable:
 raise PDFTextExtractionNotAllowed
else:
 # 创建PDf 资源管理器 来管理共享资源
 rsrcmgr = PDFResourceManager()
 # 创建一个PDF设备对象
 laparams = LAParams()
 device = PDFPageAggregator(rsrcmgr, laparams=laparams)
 # 创建一个PDF解释器对象
 interpreter = PDFPageInterpreter(rsrcmgr, device)
 # 用来计数页面,图片,曲线,figure,水平文本框等对象的数量
 num_page, num_image, num_curve, num_figure, num_TextBoxHorizontal = 0, 0, 0, 0, 0
 # 循环遍历列表,每次处理一个page的内容
 for page in doc.get_pages(): # doc.get_pages() 获取page列表
  num_page += 1 # 页面增一
  interpreter.process_page(page)
  # 接受该页面的LTPage对象
  layout = device.get_result()
  for x in layout:
   if isinstance(x,LTImage): # 图片对象
    num_image += 1
   if isinstance(x,LTCurve): # 曲线对象
    num_curve += 1
   if isinstance(x,LTFigure): # figure对象
    num_figure += 1
   if isinstance(x, LTTextBoxHorizontal): # 获取文本内容
    num_TextBoxHorizontal += 1 # 水平文本框对象增一
    # 保存文本内容
    with open(r'test2.doc', 'a',encoding='utf-8') as f: #生成doc文件的文件名及路径
     results = x.get_text()
     f.write(results)
     f.write('\n')
 print('对象数量:\n','页面数:%s\n'%num_page,'图片数:%s\n'%num_image,'曲线数:%s\n'%num_curve,'水平文本框:%s\n'
   %num_TextBoxHorizontal)

if __name__ == '__main__':
pdf_path = r'diya.pdf' #pdf文件路径及文件名
parse(pdf_path)

来源:https://blog.csdn.net/weixin_43734080/article/details/129786312

标签:Python,pdf,word
0
投稿

猜你喜欢

  • 使用Python的toolz库开始函数式编程的方法

    2022-10-18 10:29:55
  • SQL Server 2000数据库FOR XML查询概述

    2008-12-09 14:49:00
  • np.newaxis 实现为 numpy.ndarray(多维数组)增加一个轴

    2021-02-14 07:48:20
  • mysql如何优化插入记录速度

    2024-01-29 07:44:35
  • golang 跳出for循环操作

    2024-04-30 10:04:00
  • python去除文件中空格、Tab及回车的方法

    2021-12-04 22:25:44
  • Flask中Cookie和Session理解与作用介绍

    2022-05-03 21:50:35
  • Python初学者必备的文件读写指南

    2023-03-16 11:44:15
  • 关于Python与Golang语言的对比分析

    2023-03-10 18:54:06
  • PHP一些常用的正则表达式字符的一些转换

    2024-05-13 09:22:19
  • Sql server2005 优化查询速度50个方法小结

    2024-01-26 16:51:52
  • 浅谈vue-lazyload实现的详细过程

    2024-04-29 13:09:17
  • 如何表示python中的相对路径

    2022-09-06 14:13:41
  • Go channel结构体源码和读写和关闭过程详解

    2024-04-26 17:31:08
  • border边框在浏览器中的渲染方式

    2010-03-10 10:52:00
  • WEB标准与XHTML 1.0 Transitional等文档类型介绍

    2007-10-20 21:18:00
  • QQ在线客服网页代码大全

    2008-01-17 18:28:00
  • python反射机制内置函数及场景构造详解

    2022-03-04 07:16:52
  • 利用Python的turtle库绘制玫瑰教程

    2021-12-01 19:33:52
  • python函数map()和partial()的知识点总结

    2023-10-04 14:58:11
  • asp之家 网络编程 m.aspxhome.com