PDF转Word完全免费？这么好的事情我怎么不知道？？？？

我被狗咬了

发布于 2019-09-23 11:50:20

8570

发布于 2019-09-23 11:50:20

文章被收录于专栏：Python乱炖

”阅读此篇需要三分钟“

首先来看看来个PDF文件

我们来选择其中一个论文摘要

使用我们的python代码转化后：

是不是很神奇？

现在网络上大部分的PDF转Word都是收费的，基本都是按页收费，有了我们的python代码后，我们就可以完全免费的将PDF转成Word了，这么好的福利我们赶紧来了解一下吧！

首先来看看我们要安装一些什么模块：

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模块管理工具即可安装。

如上图，将每个模块都安装好。

或者直接将模块放到requirements.txt文件里，运行

pip install -r requirements

安装即可

下一步就来开始coding了！

首先导入需要使用的模块：

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

然后定义好PDF文件的读取路径和Word文件的生成路径。

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

接下来我们定义使用的方法：

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

通过字节流的方式打开文件，读取内容。我们主要使用process_pdf这个函数处理pdf，详情处理步骤我们可以看看API是这么处理的（这API写好的代码，供参考，不需要你再次手写）：

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

下面我们考虑将字节流存成docx文档：

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)

# 将两个函数封装起来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，这样就算完工了

下面我们来调用读取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('正在处理: ', 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)

这样就可以生成doc文件了，怎么样是不是很简单？

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2019-05-10，如有侵权请联系 cloudcommunity@tencent.com 删除

api