利用python将pdf文件转成word文件

因为pdfminer这个库，本人踩了很多坑。

网上搜索的各种pdf转word的办法都已经不能继续使用。

大部分都是因为库的更新，方法的位置变了，不能进行导入。

经过一些代码的示例和一下午的研究终于搞定了。不过现在只能转换文字，图片没有办法。后续再更新吧。

需要安装的依赖库：pdfminer3k

代码如下：

# -*- coding:utf-8 _*-
"""
Author: Les
coding = utf-8
@Time: 2020/4/8 20:03
@File: pdf_to_word.py
"""
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LTTextBoxHorizontal, LAParams
from pdfminer.pdfpage import PDFPage
import os


def pdf_to_word(folder):
    # 获取指定目录下面的所有文件
    files = os.listdir(folder)
    # 获取pdf类型的文件放到一个列表里面
    pdf_files = [f for f in files if f.endswith(".pdf")]
    for pdf_file in pdf_files:
        # 将pdf文件放到指定的路径下面
        pdf_path = os.path.join(folder, pdf_file)
        # 判断是否已经存在对应的word文件，如果不存在就加入到存放word的路径内
        if pdf_path[-3:] != 'doc':
            word_path = pdf_path.replace('.pdf',  '.doc')
            fn = open(pdf_path, 'rb')
            # 创建一个PDF文档分析器：PDFParser
            parser = PDFParser(fn)
            # 创建一个PDF文档：PDFDocument
            doc = PDFDocument(parser)
            # 连接分析器与文档
            parser.set_document(doc)
            # 检测文档是否提供txt转换，不提供就忽略
            if not doc.is_extractable:
                print("PDFTextExtractionNotAllowed")
            else:
                # 创建PDF资源管理器：PDFResourceManager
                resource = PDFResourceManager()
                # 创建一个PDF参数分析器：LAParams
                laparams = LAParams()
                # 创建聚合器,用于读取文档的对象：PDFPageAggregator
                device = PDFPageAggregator(resource, laparams=laparams)
                # 创建解释器，对文档编码，解释成Python能够识别的格式：PDFPageInterpreter
                interpreter = PDFPageInterpreter(resource, device)
                # doc.get_pages() 获取page列表
                for page in PDFPage.create_pages(doc):
                    # 利用解释器的process_page()方法解析读取单独页数
                    interpreter.process_page(page)
                    # 这里layout是一个LTPage对象,里面存放着这个page解析出的各种对象,
                    # 一般包括LTTextBox, LTFigure, LTImage, LTTextBoxHorizontal等等,想要获取文本就获得对象的text属性，
                    # 使用聚合器get_result()方法获取页面内容
                    layout = device.get_result()
                    for out in layout:
                        if isinstance(out, LTTextBoxHorizontal):
                            print(out.get_text())
                            with open(word_path, 'a', encoding='utf-8') as f:
                                f.write(out.get_text() + '\n')


if __name__ == '__main__':
    # pdf文件路径
    pdf_file = r"D:\dc_python\tanzhou\flask_g\pff_to_word\pdf_f"
    pdf_to_word(pdf_file)