Python读取PDF信息插入Word文档

转载自公众号:TEDxPY

Hello，上个周末没能搞事情，被一个代码需求给绊住了：朋友在平时工作中会经常重复性地打开不同PDF文件，选取其中特定的几组信息复制粘贴到不同的Word文档中，完成一份PDF文件平均耗时15分钟，想试试Python代码能否帮忙。

image

image

由于其涉及文件隐私，将需求简化如下：我这提供一份PDF版《笨办法学Python》，想把其中第五页的第1段和第4段填充到Word文档 “笔记.docx” 特定位置：

image

上图为PDF中的目标文字；下图为Word文档要填充的位置：

image

思路

首先利用PDFMiner模块解析PDF文件，转化成PDF内容的文本列表；根据目标位置在列表中提取目标文本；利用Python处理Word文档的库docx-mailmerge模块，进行文本填充。

PDFMiner模块

PDFMiner是一个专注于从PDF文档中提取、分析文本信息的工具。它不仅可以获取特定页码特定位置处的信息，也能获得字体等信息。其工作原理如图所示：

image

看不懂原理图没关系，我们关心的是应用问题。首先安装PDFMiner，注意Python3要安装pdfminer3k，可以通过pip install pdfminer3k进行安装

解析PDF涉及代码步骤较多，先不展开，文末提供注释源码供参考。通过PDFMiner解析，文本内容按区域存到不同页码的文本list中；每一页又作为元素存入整个文档的list中。即假设content代表整个PDF文本信息，content[0]为第一页信息，content[4]即我们想要的第五页信息。而第五页中，按照list元素顺序，我们想要的第一段和第四段就可以通过content[4][1]和content[4][4]拿到了：

image

docx-mailmerge模块

这个模块的应用类似于你先在Word文档中特定位置去定义好变量，之后在代码中通过MailMerge函数为变量赋值。

首先是安装：pip install docx-mailmerge

接下来去Word文档中定义要插入的变量，在要插入文本的位置选择** “插入”→“文档部件”→“域”**：

image

在弹出的窗口中选择mailmerge变量，中文直译“邮件合并”，域名是自己定义的变量名，这里我用firstTED 来代表第一段：

image

设置完成后会看到<>出现在Word文档中。同理，我们设置fourthTED来代表第四段，最终结果如图：

image

至此，Word文档中变量定义完成，继续回到代码中。我们已经拿到了第一段和第四段的文本，接下来就是将其和新定义的firstTED 和 fourthTED 融合：

template = "../读书笔记.docx" document = MailMerge(template)
 document.merge(
 firstTED = content[4][1],
 fourthTED = content[4][4],
 )
 document.write("读书笔记更新.docx")
 

最终在PDF文件旁会生成新的“读书笔记更新.docx”：

image

其内容如图：

image

目标达成！写给朋友的初版代码，对于能拿到的文本信息准确度也是很高的，而且可以批量处理文档。代码运行几秒钟，便将人力几个小时的工作完成了，余下的是相对轻松的校验和修正。可能你一天的繁琐工作，对代码而言就是几秒的事情。

回顾

就实现效果来看，达到了预期，但仍有待提高。最终效果与PDF文件的格式是否规范有直接关系，有许多扫描件PDF文档每页都像是图片，就无法通过PDFMiner顺利获取到文本信息。后续我们将尝试先把PDF转图片，再通过OCR识别图片中文字信息的思路来搞定。

此外，为了展示，选用的PDF和Word文档以及要插入的信息都较规范简洁，在实际需求中，因为批量操作，也会遇到各种大小问题，这些都要在实战中去不断完善。

代码下载

后台回复 文档处理 获取演示用代码下载

最后附上朋友对初版代码的反应，令人很有成就感！

image

正在学Python或水平挺不错的朋友，不妨问问身边朋友有没有什么繁琐的工作可以用代码改进，如果有，反手甩他一个代码，也是很不错的体验哦~