20行Python代码教你批量将PDF转为Word

大数据文摘作品

投稿作者|丁彦军

在日常工作或学习中,经常会遇到这样的无奈:

“小任,你把这个PDF中的文件码出来发我”

艹,倒霉,2M的PDF12点也完不了啊!

很多时候在学习时发现许多文档都是PDF格式,PDF格式却不利于学习使用,因此需要将PDF转换为Word文件,但或许你从网上下载了很多软件,但只能转换前五页(如WPS等),要不就是需要收费,那有没有免费的转换软件呢?

so,我们给各位带来了一个免费简单快速的方法,手把手教你用Python批量处理PDF格式文件,获取自己想要的内容,存为word形式。

在实现PDF转Word功能之前,我们需要一个python的编写和运行环境,同时安装好相关的依赖包。 对于python环境,我们推荐使用PyCharm。 在本地电脑环境,anaconda提供了非常便利的安装和部署。

PDF转Word功能所需的依赖包如下:

PDFParser(文档分析器)

PDFDocument(文档对象)

PDFResourceManager(资源管理器)

PDFPageInterpreter(解释器)

PDFPageAggregator(聚合器)

LAParams(参数分析器)

前期准备工作

说明:本文是在Windows7下使用python最新的3.6版本

1.安装pdfminer3k模块

安装anaconda后,直接可以通过pip安装

2.若安装不成功,可以试试下面方法

首先下载pdfminer3k:https://pypi.python.org/pypi/pdfminer3k;然后安装pdfminer,将下载好的pdfminer3k解压到D:或其他合适的盘符,通过win+r 打开运行窗口,输入cmd;输入D:切换到D盘,cd pdfminer3k(pdf解压的文件夹),输入setup.py install安装软件。

最终显示Finished,则代表成功

代码实操

1.导入相关包

from pdfminer.pdfparserimportPDFParser, PDFDocument

from pdfminer.pdfinterpimportPDFResourceManager, PDFPageInterpreter

from pdfminer.layoutimportLAParams

from pdfminer.converterimportPDFPageAggregator

整体思路为:构造文档对象,解析文档对象,提取所需内容

构造文档对象

构造解释器

2.导入需要解析的PDF文件

将所需解析的文件与执行代码放到同一个目录下,如图:

test.pdf内容

3.具体代码如下:

from pdfminer.pdfparserimportPDFParser, PDFDocument

from pdfminer.pdfinterpimportPDFResourceManager, PDFPageInterpreter

from pdfminer.layoutimportLAParams

from pdfminer.converterimportPDFPageAggregator

from pdfminer.pdfinterpimportPDFTextExtractionNotAllowed

defparse():

#rb以二进制读模式打开本地pdf文件

fn= open('test.pdf','rb')

#创建一个pdf文档分析器

parser = PDFParser()

#创建一个PDF文档

doc = PDFDocument()

#连接分析器 与文档对象

parser.set_document()

doc.set_parser()

# 提供初始化密码doc.initialize("lianxipython")

# 如果没有密码 就创建一个空的字符串

doc.initialize("")

# 检测文档是否提供txt转换,不提供就忽略

ifnot doc.is_extractable:

raise PDFTextExtractionNotAllowed

else:

#创建PDf资源管理器

resource = PDFResourceManager()

#创建一个PDF参数分析器

laparams = LAParams()

#创建聚合器,用于读取文档的对象

device = PDFPageAggregator(resource,laparams=laparams)

#创建解释器,对文档编码,解释成Python能够识别的格式

interpreter = PDFPageInterpreter(resource,device)

# 循环遍历列表,每次处理一页的内容

# doc.get_pages() 获取page列表

forpage in doc.get_pages():

#利用解释器的process_page()方法解析读取单独页数

interpreter.process_page(page)

#使用聚合器get_result()方法获取内容

layout = device.get_result()

#这里layout是一个LTPage对象,里面存放着这个page解析出的各种对象

forout in layout:

#判断是否含有get_text()方法,获取我们想要的文字

ifhasattr(out,"get_text"):

print(out.get_text())

with open('test.txt','a') as f:

f.write(out.get_text()+'\n')

if__name__ =='__main__':

parse()

最终得到的test.txt结果如下:

结束

对于Python批量PDF转Word的操作介绍就到此,本文仅仅作为一种运用库展示代码编写过程,具体技术还需要有兴趣的朋友,与我一起讨论专研,互相学习进步。

本文为投稿作品,仅代表个人观点。

作者介绍:

一个痴迷于Python语言的业余程序猿,经过半年苦练,经历过从入门到放弃,现在庆幸走到痴迷于Python状态。未来的理想是能够与一群痴迷于Python语言的程序猿做有意义的事。知乎专栏链接:https://www.zhihu.com/people/cai-niao-fen-xi-64/activities

【今日机器学习概念】

Have a Great Definition

  • 发表于:
  • 原文链接http://kuaibao.qq.com/s/20180223A00E4J00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。

扫码关注云+社区

领取腾讯云代金券