Python代碼教你批量將PDF轉爲Word

不少時候在學習時發現許多文檔都是PDF格式，PDF格式卻不利於學習使用，所以須要將PDF轉換爲Word文件，但或許你從網上下載了不少軟件，但只能轉換前五頁（如WPS等），要不就是須要收費，那有沒有免費的轉換軟件呢？

 

so，咱們給各位帶來了一個免費簡單快速的方法，手把手教你用Python批量處理PDF格式文件，獲取本身想要的內容，存爲word形式。

 

在實現PDF轉Word功能以前，咱們須要一個python的編寫和運行環境，同時安裝好相關的依賴包。 對於python環境，咱們推薦使用PyCharm。 

 

PDF轉Word功能所需的依賴包以下：

• PDFParser（文檔分析器）

• PDFDocument（文檔對象）

• PDFResourceManager（資源管理器）

• PDFPageInterpreter（解釋器）

• PDFPageAggregator（聚合器）

• LAParams（參數分析器）

步驟：

安裝pdfminer3k模塊

 

代碼：

#!/usr/bin/env python
# Version = 3.5.2
# __auth__ = '無名小妖'
from pdfminer.pdfparser import PDFParser, PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.layout import LAParams
from pdfminer.converter import PDFPageAggregator
from pdfminer.pdfinterp import PDFTextExtractionNotAllowed
from docx import Document

document = Document()


def parse():
    # rb以二進制讀模式打開本地pdf文件
    fn = open('Django-日誌配置.md.pdf','rb')
    # 建立一個pdf文檔分析器
    parser = PDFParser(fn)
    # 建立一個PDF文檔
    doc = PDFDocument()
    # 鏈接分析器 與文檔對象
    parser.set_document(doc)
    doc.set_parser(parser)

    # 提供初始化密碼doc.initialize("lianxipython")
    # 若是沒有密碼 就建立一個空的字符串
    doc.initialize("")
    # 檢測文檔是否提供txt轉換，不提供就忽略
    if not doc.is_extractable:
        raise PDFTextExtractionNotAllowed

    else:
        # 建立PDf資源管理器
        resource = PDFResourceManager()
        # 建立一個PDF參數分析器
        laparams = LAParams()
        # 建立聚合器,用於讀取文檔的對象
        device = PDFPageAggregator(resource,laparams=laparams)
        # 建立解釋器，對文檔編碼，解釋成Python可以識別的格式
        interpreter = PDFPageInterpreter(resource,device)
        # 循環遍歷列表，每次處理一頁的內容
        # doc.get_pages() 獲取page列表
        for page in doc.get_pages():
            # 利用解釋器的process_page()方法解析讀取單獨頁數
            interpreter.process_page(page)
            # 使用聚合器get_result()方法獲取內容
            layout = device.get_result()
            # 這裏layout是一個LTPage對象,裏面存放着這個page解析出的各類對象
            for out in layout:
                # 判斷是否含有get_text()方法，獲取咱們想要的文字
                if hasattr(out,"get_text"):
                    # print(out.get_text(), type(out.get_text()))
                    content = out.get_text().replace(u'\xa0', u' ')  # 將'\xa0'替換成u' '空格，這個\xa0就是&nbps空格
                    # with open('test.txt','a') as f:
                    #     f.write(out.get_text().replace(u'\xa0', u' ')+'\n')
                    document.add_paragraph(
                        content, style='ListBullet'    # 添加段落，樣式爲unordered list類型
                    )
                document.save('demo1.docx')  # 保存這個文檔


if __name__ == '__main__':
    parse()