”閱讀此篇需要三分鐘“

首先來看看來個PDF文件

我們來選擇其中一個論文摘要：

使用我們的python代碼轉化后：

是不是很神奇？

現在網絡上大部分的PDF轉Word都是收費的，基本都是按頁收費，有了我們的python代碼后，我們就可以完全免費的將PDF轉成Word了，這么好的福利我們趕緊來了解一下吧！

首先來看看我們要安裝一些什么模塊：

attrs==17.4.0

lxml==4.1.1

pdfminer3k==1.3.1

pluggy==0.6.0

ply==3.11

py==1.5.2

pytest==3.4.1

python-docx==0.8.6

six==1.11.0

使用pip模塊管理工具即可安裝。

如上圖，將每個模塊都安裝好。

或者直接將模塊放到requirements.txt文件里，運行

pip install -r requirements

安裝即可

下一步就來開始coding了！

首先導入需要使用的模塊：

import os

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

然后定義好PDF文件的讀取路徑和Word文件的生成路徑。

pdf_folder = r'/Users/wuyuqing/Desktop/Code/pdf2word/pdf'

word_folder = r'/Users/wuyuqing/Desktop/Code/pdf2word/word'

接下來我們定義使用的方法：

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

通過字節流的方式打開文件，讀取內容。我們主要使用process_pdf這個函數處理pdf，詳情處理步驟我們可以看看API是這么處理的（這API寫好的代碼，供參考，不需要你再次手寫）：

def process_pdf(rsrcmgr, device, fp, pagenos=None, maxpages=0, password='',

caching=True, check_extractable=True):

# Create a PDF parser object associated with the file object.

parser = PDFParser(fp)

# Create a PDF document object that stores the document structure.

doc = PDFDocument(caching=caching)

# Connect the parser and document objects.

parser.set_document(doc)

doc.set_parser(parser)

# Supply the document password for initialization.

# (If no password is set, give an empty string.)

doc.initialize(password)

# Check if the document allows text extraction. If not, abort.

if check_extractable and not doc.is_extractable:

raise PDFTextExtractionNotAllowed(

'Text extraction is not allowed: %r' % fp)

# Create a PDF interpreter object.

interpreter = PDFPageInterpreter(rsrcmgr, device)

# Process each page contained in the document.

for (pageno,page) in enumerate(doc.get_pages()):

if pagenos and (pageno not in pagenos): continue

interpreter.process_page(page)

if maxpages and maxpages <= pageno+1: break

下面我們考慮將字節流存成docx文檔：

def save_text_to_word(content, file_path):

doc = Document()

for line in content.split('\n'):

paragraph = doc.add_paragraph()

paragraph.add_run(remove_control_characters(line))

doc.save(file_path)

# 將兩個函數封裝起來

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)

主要功能完成，這樣就算完工了

下面我們來調用讀取pdf生成docx的方法

tasks = []

with ProcessPoolExecutor(max_workers=5) as executor:

for file in os.listdir(pdf_folder):

extension_name = os.path.splitext(file)[1]

if extension_name != '.pdf':

continue

file_name = os.path.splitext(file)[0]

pdf_file = pdf_folder + '/' + file

word_file = word_folder + '/' + file_name + '.docx'

print('正在處理: ', file)

result = executor.submit(pdf_to_word, pdf_file, word_file)

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)

這樣就可以生成doc文件了，怎么樣是不是很簡單？

總結

以上是生活随笔為你收集整理的pdf转word python_Python实现PDF转Word的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。