python实现pdf转换为word

为了不在某个平台开通会员,充钱,我借鉴了github某位大神的代码https://github.com/python-fan/pdf2word,成功实现pdf转换为word,各位可以参考借鉴下。

1.在使用该代码时,需要安装对应的第三方库包,pdf转换word(即提取pdf文字写入到word中)需要两个库包:pdfminer3kpython-docx;需要提取pdf中的图片,需要 pymupdf该库名进行操作提取


pdfminer3k安装图


python-docx安装图
pymupdf安装图

2.实现代码如下:

import os

from configparserimport ConfigParser

from ioimport StringIO

from ioimport open

from concurrent.futuresimport ProcessPoolExecutor

from pdfminer.pdfinterpimport PDFResourceManager

from pdfminer.pdfinterpimport process_pdf

from pdfminer.converterimport TextConverter

from pdfminer.layoutimport LAParams

from docximport Document

import fitz

import time

import re

#提取图片函数

def pdf2pic(path, pic_path):

'''# 从pdf中提取图片  ,param path: pdf的路径 ,param pic_path: 图片保存的路径

'''

    # 使用正则表达式来查找图片

    checkXO =r"/Type(?= */XObject)"

    checkIM =r"/Subtype(?= */Image)"

    # 打开pdf

    doc = fitz.open(path)

# 图片计数

    imgcount =0

    lenXREF = doc.xrefLength() #最新fitz库是没有doc._getXrefLength()

# 打印PDF的信息

    print("文件名:{}, 页数: {}, 对象: {}".format(path, len(doc), lenXREF -1))

# 遍历每一个对象

    for iin range(1, lenXREF):

# 定义对象字符串

        text = doc.xrefObject(i) #最新fitz库是没有getObjectString()

isXObject = re.search(checkXO, text)

# 使用正则表达式查看是否是图片

        isImage = re.search(checkIM, text)

# 如果不是对象也不是图片,则continue

        if not isXObjector not isImage:

continue

        imgcount +=1

        # 根据索引生成图像

        pix = fitz.Pixmap(doc, i)

# 根据pdf的路径生成图片的名称

        new_name = path.replace('\\', '_') +"_img{}.png".format(imgcount)

new_name = new_name.replace(':', '')

# 如果pix.n<5,可以直接存为PNG

        if pix.n <5:

pix.writePNG(os.path.join(pic_path, new_name))

# 否则先转换CMYK

        else:

pix0 = fitz.Pixmap(fitz.csRGB, pix)

pix0.writePNG(os.path.join(pic_path, new_name))

pix0 =None

        # 释放资源

        pix =None

        print("提取了{}张图片".format(imgcount))

#读取pdf文件函数

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

#保存word文件函数

def save_text_to_word(content, file_path):

doc = Document()

for linein content.split('\n'):#以换行符为分割

        paragraph = doc.add_paragraph()

paragraph.add_run(remove_control_characters(line))

doc.save(file_path)

#移除字符

def remove_control_characters(content):

mpa =dict.fromkeys(range(32))

return content.translate(mpa)

#直接调用read_from_pdf(pdf_file_path)函数和save_text_to_word(content, word_file_path)函数

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)

#写个主函数,可以读取配置文件信息和使用多进程处理pdf文件

def main():

#读取配置文件信息

    config_parser = ConfigParser()

config_parser.read('config.cfg')

config = config_parser['default']

#多进程处理任务,可以同时执行多个pdf文件进行转换为word文件

    tasks = []

with ProcessPoolExecutor(max_workers=int(config['max_worker']))as executor:

for filein 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 taskin tasks:

if not task.done():

exit_flag =False

        if exit_flag:

print('完成')

exit(0)

3.执行代码运行

if __name__ =='__main__':

fpath=os.getcwd()

# pdf_to_word(fpath+'\\pdf\\test.pdf',fpath+'\\word\\test.docx')

    pdf2pic(fpath+'\\pdf\\test.pdf',fpath+'\\word')

4.运行结果展示


读取test.pdf文件


pdf转换word的test.docx
提取pdf中的图片到word目录中

你可能感兴趣的:(python实现pdf转换为word)