「Python」Python将PDF转Word

技术►Python , , 评论

背景

PDF 作为一种电子文档，对于阅读和查看是很方便的，但先要编辑却很麻烦。因此将 PDF 转换为可编辑的 Word 文档就变得尤为重要。

通过 Python 的 PDF2Docx 可以比较轻松的做到这点。具体的思路是通过文档元素和内容解析：

  • 基于 PyMuPDF 提取文本、图片、矢量等原始数据
  • 基于规则解析章节、段落、表格、图片、文本等布局及样式
  • 基于 python-docx 创建Word文档

当然也有基于机器学习/计算机视觉方法训练模型（尤其是针对扫描的PDF文档）的，在这里暂不扩展。

特点

  1. 简单易用：PDF2DOCX 库提供了简洁明了的函数和接口，方便用户快速上手。
  2. 快速高效：该库采用高效的算法和技术，实现了在较短时间内完成 PDF 到 DOCX 的转换。
  3. 无损转换：在保持文件结构和布局完整的同时，将 PDF 转换为 DOCX，尽量减少转换过程中可能出现的失真或遗漏。
  4. 跨平台：支持 Windows，Mac 和 Linux 等多种操作系统，为用户提供全方位的支持。

限制

  • 目前暂不支持扫描PDF文字识别
  • 仅支持从左向右书写的语言（因此不支持阿拉伯语）
  • 不支持旋转的文字
  • 基于规则的解析无法保证100%还原PDF样式

使用方法

  1. 安装依赖项：
1
pip install pdf2docx
  1. 转换 PDF 到 DOCX
1
2
3
4
5
6
7
8
9
10
from pdf2docx import Converter

# 创建转换器对象
converter = Converter('path/to/input.pdf')

# 转换 PDF 到 DOCX
converter.convert('path/to/output.docx', start=1, end=None)

# 关闭转换器
converter.close()

其中，start 和 end 参数可以用于指定转换的开始和结束页码，默认为全部转换。

注意：由于PDF文档中的元素位置可能会因为解析引擎不同而有所偏差，因此建议在导出Word文档后再进行必要的手动调整。

除了基本的转换功能之外，pdf2docx 还提供了一些其他的功能来方便用户进行更高级的操作。

解析 PDF 内容

pdf2docx 可以将 PDF 中的不同元素（如文本、表格、图片）解析为 Python 对象，以便进一步分析和处理。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
pythonCopy Codefrom pdf2docx import Parser

# 创建解析器对象
parser = Parser('path/to/input.pdf')

# 解析 PDF 内容
pages = parser.parse()

# 遍历每一页的内容
for page in pages:
    # 遍历页面中的所有元素
    for element in page.elements:
        # 处理元素
        pass

# 关闭解析器
parser.close()

其中，pages 是一个包含所有页面对象的列表，每个页面对象都包含了该页面中所有的元素。

每个元素可以是以下类型之一：

  • TextElement: 表示纯文本。
  • ImageElement: 表示图片。
  • TableElement: 表示表格。

每个元素都具有一些属性，例如位置、大小、样式等，可以用于进一步处理。

自定义样式

用户可以通过创建自定义样式对象来修改生成的 Word 文档的样式。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
pythonCopy Codefrom pdf2docx.styles import ParagraphStyle, RunStyle

# 创建段落样式
my_para_style = ParagraphStyle('MyParaStyle')
my_para_style.font.name = 'Calibri'
my_para_style.font.size = 12
my_para_style.font.bold = True

# 创建文本样式
my_run_style = RunStyle('MyRunStyle')
my_run_style.font.color.rgb = (255, 0, 0)

# 在段落样式中使用文本样式
my_para_style.run_style = my_run_style

# 使用自定义样式进行转换
converter = Converter('path/to/input.pdf', para_style=my_para_style)
converter.convert('path/to/output.docx')
converter.close()

在上面的示例中，创建了一个名为 MyParaStyle 的自定义段落样式，并将字体设置为 Calibri、字号设置为 12、加粗。然后又创建了一个名为 MyRunStyle 的自定义文本样式，并将字体颜色设置为红色。最后，在段落样式中使用了该文本样式。

当转换 PDF 到 DOCX 时，指定了 para_style=my_para_style 参数，即使用了上述创建的自定义样式。

多进程转换

pdf2docx 支持多进程转换，可以提高转换速度。

1
2
3
4
5
6
7
8
9
10
pythonCopy Codefrom pdf2docx import MultiConverter

# 创建多进程转换器对象
mconverter = MultiConverter('path/to/input.pdf', num_processes=4)

# 转换 PDF 到 DOCX
mconverter.convert('path/to/output.docx')

# 关闭转换器
mconverter.close()

在上面的示例中，创建了一个名为 MultiConverter 的多进程转换器对象，并将 num_processes 参数设置为 4，表示同时使用 4 个进程进行转换。

注意：使用多进程转换时，请确保您的计算机具有足够的 CPU 和内存资源，以避免出现不必要的问题。

实际运用

下面是一段使用第三方库pdf2docx实现pdf转docx的代码。

该代码将pdf文件「英语4000单词本.pdf」转换成docx文件 wordBook.docx

1
2
3
4
5
6
7
8
9
10
11
12
13
14
from pdf2docx import Converter

# 安装类库 pip install pdf2docx

# DPF文件路径
pdf_file = '英语4000单词本.pdf'
# 输出Docx文件路径
docx_file = 'wordBook.docx'
# 实例化
cv = Converter(pdf_file)
# 执行转换
cv.convert(docx_file, start=0, end=None, multiprocessing=True)
# 关闭
cv.close()
  • convert 函数的 start 和 end 参数代表需要转换的pdf页数的起始和结束位置，也可以通过pages指定不连续的页面，例如pages=[1,3,5]。
  • multiprocessing 参数代表是否启用多进程进行转换，如果设置为True则会使用多个进程进行转换

通过上面 5 行代码我们就可以进行将PDF转换为WORD文件了，也可以直接通过命令行来执行：

1
pdf2docx convert 批地艾抚.pdf 沃的.docx

同理可以通过--start、--end或者--pages指定页面范围。

参考

pdf2docx：Python实现PDF转Word

何永彪Java 开发工程师

个人简介。