您现在的位置是:课程教程文章

如何用Python把pdf转换成word

2023-12-18 17:03课程教程文章 人已围观

很多时候,我们需要把文件的形式来回转换。那么学了编程的小伙伴,我们该如何用Python把pdf转换成word呢?

一、下载所需要的库


1.pdfminer  安装库命令 

pip install pdfminer3k

pdfminer3k是pdfminer的Python 3端口。PDFMiner是从PDF文档中提取信息的工具。与其他PDF相关的工具不同,它完全专注于获取和分析文本数据。PDFMiner允许获取页面中文本的确切位置,以及其他信息,如

字体或线条。它包含一个PDF转换器,可以将PDF文件转换为其他文本格式(如HTML)。它有一个可扩展的PDF解析器,可用于其他目的而不是文本分析。

2. docx   安装库命令 

pip install python_docx

Python DocX目前是Python OpenXML的一部分,你可以用它打开Word 2007及以后的文档,而用它保存的文档可以在Microsoft Office 2007/2010, Microsoft Mac Office 2008, Google Docs, OpenOffice.org 3, and Apple iWork 08中打开。

二、代码


注意:pdf中非图片构成的部分才能被成功转换

1#-*- coding: UTF-8 -*- 2#!/usr/bin/python 3# -*- coding: utf-8 -*- 4 5import sys 6import importlib 7importlib.reload(sys) 8 9from pdfminer.pdfparser import PDFParser,PDFDocument 10from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter 11from pdfminer.converter import PDFPageAggregator 12from pdfminer.layout import * 13from pdfminer.pdfinterp import PDFTextExtractionNotAllowed 14import os 15 16#设置工作目录文件夹 17os.chdir(r'c:/users/dicey/desktop/codes/pdf-docx') 18 19''' 20解析pdf文件,获取文件中包含的各种对象 21''' 22# 解析pdf文件函数 23def parse(pdf_path): 24    fp = open('diya.pdf', 'rb')  # 以二进制读模式打开 25    # 用文件对象来创建一个pdf文档分析器 26    parser = PDFParser(fp) 27    # 创建一个PDF文档 28    doc = PDFDocument() 29    # 连接分析器 与文档对象 30    parser.set_document(doc) 31    doc.set_parser(parser) 32 33    # 提供初始化密码 34    # 如果没有密码 就创建一个空的字符串 35    doc.initialize() 36 37    # 检测文档是否提供txt转换,不提供就忽略 38    if not doc.is_extractable: 39        raise PDFTextExtractionNotAllowed 40    else: 41        # 创建PDf 资源管理器 来管理共享资源 42        rsrcmgr = PDFResourceManager() 43        # 创建一个PDF设备对象 44        laparams = LAParams() 45        device = PDFPageAggregator(rsrcmgr, laparams=laparams) 46        # 创建一个PDF解释器对象 47        interpreter = PDFPageInterpreter(rsrcmgr, device) 48 49        # 用来计数页面,图片,曲线,figure,水平文本框等对象的数量 50        num_page, num_image, num_curve, num_figure, num_TextBoxHorizontal = 0, 0, 0, 0, 0 51 52        # 循环遍历列表,每次处理一个page的内容 53        for page in doc.get_pages(): # doc.get_pages() 获取page列表 54            num_page += 1  # 页面增一 55            interpreter.process_page(page) 56            # 接受该页面的LTPage对象 57            layout = device.get_result() 58            for x in layout: 59                if isinstance(x,LTImage):  # 图片对象 60                    num_image += 1 61                if isinstance(x,LTCurve):  # 曲线对象 62                    num_curve += 1 63                if isinstance(x,LTFigure):  # figure对象 64                    num_figure += 1 65                if isinstance(x, LTTextBoxHorizontal):  # 获取文本内容 66                    num_TextBoxHorizontal += 1  # 水平文本框对象增一 67                    # 保存文本内容 68                    with open(r'test2.doc', 'a',encoding='utf-8') as f:    #生成doc文件的文件名及路径 69                        results = x.get_text() 70                        f.write(results) 71                        f.write('\n') 72        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' 73              %num_TextBoxHorizontal) 74 75 76if __name__ == '__main__': 77    pdf_path = r'diya.pdf'  #pdf文件路径及文件名 78    parse(pdf_path)

学会了的小伙伴赶紧行动起来~更多Python学习推荐:PyThon学习网教学中心

课程教程:如何用Python把pdf转换成word

站点信息

  • 文章统计篇文章