Python实用程序 | 加密过的PDF文件转WORD格式

实现方法简介

许多文件都支持转换为PDF格式，诸如Word，Excel，PowerPoint，Cad以及图片格式。所以pdf从学校到职场，都可以看到pdf文件的身影。
为了保证了文件的安全性，正常情况下无法对pdf的内容进行编辑。但是相应的我们就无法修改pdf的内容，也不便于pdf资料的使用。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。因为写尽调报告需要去查看各种信评资料，往往这些资料都是pdf格式的文件，而且经常出现加密文档，为了方便查找和复制相关资料，将加密过的pdf文件转换成word文档就会便捷不少，提高使用效率。
于是想到写个程序，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相关代码。大多是针对未加密过的pdf文件来实现，本文结合加密文档的特殊性写了相关程序来实现这个功能。
支持加密文件的格式转换

代码效果

环境配置
1、pdfminer安装库命令：

pip install pdfminer3k

2、docx安装库命令：

pip install python_docx

注：pdf中非图片构成的部分才能被成功转换：

#-*- 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)

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()

如果有密码 就写入相应的密码

未知加密方式的pdf文件

如果pdf文件的加密方式不知道，影响文件的复制和打印等
可以先利用chrome浏览器来取消加密逻辑
实现方式很简单，只需要将加密的文件拖入到chrome浏览器再选择打印另存为就可以，破除加密后再使用程序转换文件格式