python 实用程序 | PDF 转 Word

阅读文本大概需要 6 分钟。

现在网上有很多文档是 pdf 格式，虽然这个格式阅读起来很方便，并且里面的内容不会乱掉，但相应的我们就无法修改里面的内容。虽然现在市面上有很多 pdf 转 word 软件，比如 wps，但大多数的软件是要收费的，并且价格不菲。

前些天就有人叫我帮她把 pdf 文档转成 word 的文档。因为 pdf 文档里面的内容有很多，如果全部打印的话，费用还是挺高的。所以她想把里面的内容格式修改下，比如行间距，字间距等等。通过这样的修改，可以把文档的页数减少很多，这样就省下不少的钱。

于是乎我就想到了利用 python 来写个程序，把 pdf 转成 word 文档。秉承着不要重复造轮子的想法，我首先在网上搜索了下。果然已经有人写好了，我们直接拿来用就行。程序一共只有 60 行代码，使用也非常的简单，

程序源代码

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()
复制代码

使用方法

首先去 github 上把项目 clone 或下载项目到本地.

github : https://github.com/python-fan/pdf2word

git clone [email protected]:simpleapples/pdf2word.git
复制代码

然后进入项目目录，建立虚拟环境，并安装依赖。

pip install -r requirements.txt
复制代码

最后修改 config.cfg 文件，指定存放 pdf 和 word 文件的文件夹，以及同时工作的进程数，就可以执行 python main.py。

具体的程序逻辑，可以去查看原文。作者都分析的很详细。

https://zhuanlan.zhihu.com/p/34109582。

本文首发于公众号「痴海」，每天分享 Python 干货，后台回复「1024」，领取 2018 最新 Python 教程。