python pdf转word的两种方法

第一种方法：多线程处理
优点：可以同时处理多个文件，速度非常快。
缺点：只能识别文字信息，对于图片等非文本内容无法识别；另外，pdf文档中避免出现 ‘\n’ 等转义字符，否则可能会出现一些识别歧义。
使用情景：文件量大，且只对文本信息有要求的情况

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
from docx.oxml.ns import qn
from docx.shared import Pt


# 将pdf解析成文本文件
def read_from_pdf(file_path):
    with open(file_path, 'rb') as file:
        resource_manager = PDFResourceManager()    # pdf资源管理器 管理共享资源
        return_str = StringIO()  # 类文本文件对象
        lap_params = LAParams()  # 参数分析器

        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


# 过滤掉控制字符
def remove_control_characters(content):
    mpa = dict.fromkeys(range(13))
    return content.translate(mpa)


# 将文本保存到word文档中
def save_text_to_word(content, file_path):
    doc = Document()
    for line in content.split('\n'):
        paragraph = doc.add_paragraph()
        text = paragraph.add_run(remove_control_characters(line))
        text.font.size = Pt(15)
        text.font.name = 'Times New Roman'  # 控制是西文时的字体
        text.element.rPr.rFonts.set(qn('w:eastAsia'), u'楷体')
    doc.save(file_path)


# pdf转word的整个过程打包
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', encoding='utf-8')
    config = config_parser['default']

    tasks = []
    with ProcessPoolExecutor(max_workers=int(config['max_worker'])) as executor:    # 为了多任务同时进行
        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)   #  转到pdf_to_word函数
            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__':
    if __name__ == '__main__':
        main()

这里用到config.cfg（配置文件）。在当前目录建立一个config.cfg文件，将一些重要的参数信息放在这个文件里面。如果觉得麻烦其实也可以直接写在代码中。
config.cfg

[default]
pdf_folder=/Python_ALL/Python_File/3_Interest/testfile 
word_folder=/Python_ALL/Python_File/3_Interest/testfile
max_worker=3

第二种方法：使用pdf2docx库来完成
优点：使用包装好的库来进行处理，可以较完美地处理文本和图片等不同内容的信息，还原度较高。
缺点：处理速度较慢，对pdf文档中一页一页进行识别。
适用场景：文件量少，对pdf文档整体信息都有需求的情况。

from pdf2docx import Converter
from configparser import ConfigParser
import os


def main():
    config_parser = ConfigParser()
    config_parser.read('config.cfg', encoding='utf-8')
    config = config_parser['default']

    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'

        cv = Converter(pdf_file)
        cv.convert(word_file)
        cv.close()


if __name__=='__main__':
    main()