python修改pdf内容_用Python把PDF文件转换成Word文档

首先，下载所需要的库

1 ：pdfminer   安装库命令：

pip install pdfminer3k

2:  docx     安装库命令：

pip install python_docx

开始正餐：

(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)