精华内容
下载资源
问答
  • 如何用Python把pdf转换成word
    2020-12-01 08:27:06

    很多时候,我们需要把文件的形式来回转换。那么学了编程的小伙伴,我们该如何用Python把pdf转换成word呢?

    一、下载所需要的库

    1.pdfminer 安装库命令pip install pdfminer3k

    pdfminer3k是pdfminer的Python 3端口。PDFMiner是从PDF文档中提取信息的工具。与其他PDF相关的工具不同,它完全专注于获取和分析文本数据。PDFMiner允许获取页面中文本的确切位置,以及其他信息,如

    字体或线条。它包含一个PDF转换器,可以将PDF文件转换为其他文本格式(如HTML)。它有一个可扩展的PDF解析器,可用于其他目的而不是文本分析。

    2. docx 安装库命令pip install python_docx

    Python DocX目前是Python OpenXML的一部分,你可以用它打开Word 2007及以后的文档,而用它保存的文档可以在Microsoft Office 2007/2010, Microsoft Mac Office 2008, Google Docs, OpenOffice.org 3, and Apple iWork 08中打开。

    二、代码

    注意:pdf中非图片构成的部分才能被成功转换1#-*- coding: UTF-8 -*-

    2#!/usr/bin/python

    3# -*- coding: utf-8 -*-

    4

    5import sys

    6import importlib

    7importlib.reload(sys)

    8

    9from pdfminer.pdfparser import PDFParser,PDFDocument

    10from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter

    11from pdfminer.converter import PDFPageAggregator

    12from pdfminer.layout import *

    13from pdfminer.pdfinterp import PDFTextExtractionNotAllowed

    14import os

    15

    16#设置工作目录文件夹

    17os.chdir(r'c:/users/dicey/desktop/codes/pdf-docx')

    18

    19'''

    20解析pdf文件,获取文件中包含的各种对象

    21'''

    22# 解析pdf文件函数

    23def parse(pdf_path):

    24 fp = open('diya.pdf', 'rb') # 以二进制读模式打开

    25 # 用文件对象来创建一个pdf文档分析器

    26 parser = PDFParser(fp)

    27 # 创建一个PDF文档

    28 doc = PDFDocument()

    29 # 连接分析器 与文档对象

    30 parser.set_document(doc)

    31 doc.set_parser(parser)

    32

    33 # 提供初始化密码

    34 # 如果没有密码 就创建一个空的字符串

    35 doc.initialize()

    36

    37 # 检测文档是否提供txt转换,不提供就忽略

    38 if not doc.is_extractable:

    39 raise PDFTextExtractionNotAllowed

    40 else:

    41 # 创建PDf 资源管理器 来管理共享资源

    42 rsrcmgr = PDFResourceManager()

    43 # 创建一个PDF设备对象

    44 laparams = LAParams()

    45 device = PDFPageAggregator(rsrcmgr, laparams=laparams)

    46 # 创建一个PDF解释器对象

    47 interpreter = PDFPageInterpreter(rsrcmgr, device)

    48

    49 # 用来计数页面,图片,曲线,figure,水平文本框等对象的数量

    50 num_page, num_image, num_curve, num_figure, num_TextBoxHorizontal = 0, 0, 0, 0, 0

    51

    52 # 循环遍历列表,每次处理一个page的内容

    53 for page in doc.get_pages(): # doc.get_pages() 获取page列表

    54 num_page += 1 # 页面增一

    55 interpreter.process_page(page)

    56 # 接受该页面的LTPage对象

    57 layout = device.get_result()

    58 for x in layout:

    59 if isinstance(x,LTImage): # 图片对象

    60 num_image += 1

    61 if isinstance(x,LTCurve): # 曲线对象

    62 num_curve += 1

    63 if isinstance(x,LTFigure): # figure对象

    64 num_figure += 1

    65 if isinstance(x, LTTextBoxHorizontal): # 获取文本内容

    66 num_TextBoxHorizontal += 1 # 水平文本框对象增一

    67 # 保存文本内容

    68 with open(r'test2.doc', 'a',encoding='utf-8') as f: #生成doc文件的文件名及路径

    69 results = x.get_text()

    70 f.write(results)

    71 f.write('\n')

    72 print('对象数量:\n','页面数:%s\n'%num_page,'图片数:%s\n'%num_image,'曲线数:%s\n'%num_curve,'水平文本框:%s\n'

    73 %num_TextBoxHorizontal)

    74

    75

    76if __name__ == '__main__':

    77 pdf_path = r'diya.pdf' #pdf文件路径及文件名

    78 parse(pdf_path)

    学会了的小伙伴赶紧行动起来~更多Python学习推荐:PyThon学习网教学中心。

    更多相关内容
  • 本文实例为大家分享了python实现pdf转word/txt,供大家参考,具体内容如下 依赖包:pdfminer3k 可以通过pip安装;也可以到官网下载,解压,进入文件夹,输入命令setup.py install安装软件。 源代码: #!/usr/bin/...
  • python实现pdf转word

    2018-11-03 10:43:57
    python实现pdf转word,支持中英文转换,转换精度高,可以达到使用效果。
  • 通过python GUI界面,实现PDF文档转word,excel(表格线规则)和png图片
  • 四行Python代码实现将word文件高效转换为PDF文件,对于使用Office的小伙伴从此就告别Office转PDF页数限制,时间效率低下等问题;同时对于使用WPS的小伙伴再也不用担心将Word转PDF需要会员;仅仅4行核心代码即可实现...
  • python pdf转word的两种方法

    千次阅读 多人点赞 2021-05-11 18:00:10
    另外,pdf文档中避免出现 ‘\n’ 等转义字符,否则可能会出现一些识别歧义。 使用情景:文件量大,且只对文本信息有要求的情况 import os from configparser import ConfigParser from io import StringIO from io ...

    第一种方法:多线程处理
    优点:可以同时处理多个文件,速度非常快。
    缺点:只能识别文字信息,对于图片等非文本内容无法识别;另外,pdf文档中避免出现 ‘\n’ 等转义字符,否则可能会出现一些识别歧义。
    使用情景:文件量大,且只对文本信息有要求的情况

    import os
    from configparser import ConfigParser
    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
    from docx.oxml.ns import qn
    from docx.shared import Pt
    
    
    # 将pdf解析成文本文件
    def read_from_pdf(file_path):
        with open(file_path, 'rb') as file:
            resource_manager = PDFResourceManager()    # pdf资源管理器 管理共享资源
            return_str = StringIO()  # 类文本文件对象
            lap_params = LAParams()  # 参数分析器
    
            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
    
    
    # 过滤掉控制字符
    def remove_control_characters(content):
        mpa = dict.fromkeys(range(13))
        return content.translate(mpa)
    
    
    # 将文本保存到word文档中
    def save_text_to_word(content, file_path):
        doc = Document()
        for line in content.split('\n'):
            paragraph = doc.add_paragraph()
            text = paragraph.add_run(remove_control_characters(line))
            text.font.size = Pt(15)
            text.font.name = 'Times New Roman'  # 控制是西文时的字体
            text.element.rPr.rFonts.set(qn('w:eastAsia'), u'楷体')
        doc.save(file_path)
    
    
    # pdf转word的整个过程打包
    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)
    
    
    def main():
        config_parser = ConfigParser()
        config_parser.read('config.cfg', encoding='utf-8')
        config = config_parser['default']
    
        tasks = []
        with ProcessPoolExecutor(max_workers=int(config['max_worker'])) as executor:    # 为了多任务同时进行
            for file in os.listdir(config['pdf_folder']):
                extension_name = os.path.splitext(file)[1]
                if extension_name != '.pdf':
                    continue
                file_name = os.path.splitext(file)[0]
                pdf_file = config['pdf_folder'] + '/' + file
                word_file = config['word_folder'] + '/' + file_name + '.docx'
                print('正在处理:', file)
                result = executor.submit(pdf_to_word, pdf_file, word_file)   #  转到pdf_to_word函数
                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)
    
    
    if __name__ == '__main__':
        if __name__ == '__main__':
            main()
    
    

    这里用到config.cfg(配置文件)。在当前目录建立一个config.cfg文件,将一些重要的参数信息放在这个文件里面。如果觉得麻烦其实也可以直接写在代码中。
    config.cfg

    [default]
    pdf_folder=/Python_ALL/Python_File/3_Interest/testfile 
    word_folder=/Python_ALL/Python_File/3_Interest/testfile
    max_worker=3
    

    第二种方法:使用pdf2docx库来完成
    优点:使用包装好的库来进行处理,可以较完美地处理文本和图片等不同内容的信息,还原度较高。
    缺点:处理速度较慢,对pdf文档中一页一页进行识别。
    适用场景:文件量少,对pdf文档整体信息都有需求的情况。

    from pdf2docx import Converter
    from configparser import ConfigParser
    import os
    
    
    def main():
        config_parser = ConfigParser()
        config_parser.read('config.cfg', encoding='utf-8')
        config = config_parser['default']
    
        for file in os.listdir(config['pdf_folder']):
            extension_name = os.path.splitext(file)[1]
            if extension_name != '.pdf':
                continue
            file_name = os.path.splitext(file)[0]
            pdf_file = config['pdf_folder'] + '/' + file
            word_file = config['word_folder'] + '/' + file_name + '.docx'
    
            cv = Converter(pdf_file)
            cv.convert(word_file)
            cv.close()
    
    
    if __name__=='__main__':
        main()
    
    展开全文
  • 今天,小编就带领大家利用python来实现如何将pdf的内容转化为word文档。同时我们还将提取pdf中的图片,保存到我们的指定文件夹内。 01.文字的提取 我们首先要做的是对于pdf中文本的提取,如下图所示: ...

    大家在日常的工作学习过程中,都会遇到一个问题就是将pdf中的文本内容转化为word的形式,也就是从只读变成可读写的形式。面对这种情况,大家大都采用网上的工具,但是网上的工具良莠不齐,很难达到我们的需求。

    今天,小编就带领大家利用python来实现如何将pdf的内容转化为word文档。同时我们还将提取pdf中的图片,保存到我们的指定文件夹内。

    01.文字的提取

    我们首先要做的是对于pdf中文本的提取,如下图所示:

    Pdf中文字是只允许我们进行只读,但是无法进行更改,所以我们要做的就是提取pdf中的文字信息,然后将提取到的文字写入到word文件当中,让我们能够进行后续的改写。对于文字的提取,我们利用的是pdfminer函数库,其主要的函数如下图所示:

    • 程序首先利用get_content_from_pdf函数来返回pdf中提取到的数据;

    • 然后分别创建了PDFResourceManager对象来保存共享数据内容,PDFPageAggregator对象来将资源对象处理成我们需要的格式,而PDFPageInterpreter则是用来处理页面的内容;

    • 程序中page_index用来帮助我们设定需要提取哪几页的内容,对于我们需要提取的页面,通过创建的PDFPageInterpreter对象来对页面信息进行解释;

    • 最后通过PDFPageAggregator对象来对数据进行处理;

    这里的layout中就包含了页面解析出来的各种对象。包括文本,图片等信息。但是小编发现,对于图片的提取,pdfminer的效果很不好,所以后面针对于图片的提取,小编采用的fitz库进行单独的处理,取得很好的图片提取效果。说了这么多,我们先来看一下对于文本的处理结果。

     

    我们的pdf是一个两页的pdf文档,我们只让程序去提取第一页的文本,从上图可以看出,程序完整的提取出第一页的文本,没有任何的错误。

    02.图片的提取

    有了对于文字的处理,接下来我们就来看一下如何提取pdf中的图片,并将其保存到本地。对于图片的提取,程序如下图所示:

     

    上述的程序中,我们利用fitz库来提取pdf文档中的对象,然后通过字符串匹配来判断对象是不是图片类型,如果不是的话,我们直接进行跳过即可。

    如果判断对象是图片类型的话,我们边可以通过创建PixMap对象来提取图片,并保存到我们指定的路径下即可。结果如下图所示:

     

    上图可以看出,我们正确的将图片进行了提取,从而达到了我们的图片提取的目的,而且小编也尝试过多个图片的提取,同样也是没有任何压力。可以在短短的几秒内完成pdf文档的所有图片的提取。

    以上就是小编为大家带来的pdf转word的提取,我们经过讲解,不仅仅完成了对于pdf文档中文本的提取,而且还完成了对于图片的提取,从而大大的缓解我们工作的压力,提高了工作的效率,此篇文章如果对您有帮助的话,麻烦点个关注再走吧~

    展开全文
  • 1.pdf转word pdf2docx的下载:pip install pdf2docx -i https://pypi.tuna.tsinghua.edu.cn/simple from pdf2docx import Converter #pdf转word a = Converter(r'D:\Pycharm\Company\work_test\2.pdf') #pdf的路径...

    1.单个pdf转word
    pdf2docx的下载:pip install pdf2docx -i https://pypi.tuna.tsinghua.edu.cn/simple

    from pdf2docx import Converter
    #pdf转word
    
    
    a = Converter(r'D:\Pycharm\Company\work_test\2.pdf')  #pdf的路径
    #输出的word的路径加文件名,不用自己创建,会自动创建,可将pdf路径直接复制下来,将后缀pdf改为docx就可以了。
    a.convert(r'D:\Pycharm\Company\work_test\2.docx')
    
    a.close() #一定要有,释放内存用的
    
    

    2.多个pdf转word

    from pdf2docx import Converter
    import os
    #批量pdf转word
    
    path = 'D:/Pycharm/Company/work_test/'
    # 定义空list,存放文件夹中的文件名
    files = []
    for file in os.listdir(path):
        if file.endswith(".pdf"):
            files.append(path+file)
    for file in files:
        a = Converter(file)
        a.convert(file.split('.')[0]+'.docx') #创建生成的docx文件和文件名的文件名
        a.close()
        print(file+'转换成功')
    
    

    3.单个word转pdf
    docx2pdf 的下载:pip install docx2pdf -i https://pypi.tuna.tsinghua.edu.cn/simple

    from docx2pdf import convert
    # 第一个为word路径,第二个为生成的pdf路径,不用自己创建,会自动创建,可将docx路径直接复制下来,将后缀docx改为pdf就可以了
    convert("D:/Pycharm/Company/work_test/output.docx", "D:/Pycharm/Company/work_test/output.pdf") 
    

    4.多个word转多个pdf

    from docx2pdf import convert
    import os
    
    # 文件位置
    path = 'D:/Pycharm/Company/work_test/'
    # 定义空list,存放文件夹中的文件名
    files = []
    for file in os.listdir(path):
        if file.endswith(".docx"):
            files.append(path+file)
    
    for file in files:
       convert(file,file.split('.')[0]+'.pdf') #创建生成的pdf文件和文件名的文件名
       print(file+'转换成功')
    
    展开全文
  • Python PDF文件转Word格式,只需要3秒(附打包)

    千次阅读 多人点赞 2021-11-02 09:49:00
    PDF文档遵循一定的规范,例如精确定位了每个字符出现在页面上的坐标、根据坐标绘制的各种形状...PDF转Word是一个古老的话题,其难点在于建立从PDF基于元素位置的格式到Word基于内容的格式的映射。 PDF文档实际并不存
  • Python PDF转图片 Word

    2021-12-01 20:51:18
    最近有相关需求就用Python做了一个PDF处理工具代码如下: 不想写代码的可以用打包好EXE https://download.csdn.net/download/qq_36497454/53542250 # main.py # Python3.x 导入方法 from window import ...
  • python实现pdf转word文档

    2020-12-05 12:13:38
    如何使用pythonpdf文件改成word文件用软件,使用之后然后有两种结果 1、转化出来的就是想要的word,这种情况最理想了; 2、转化出来的word上都是图片,需要上网找“ABBYY finereader v9”一类的文字识别软件。...
  • 通过万能的Python把一个目录下的所有Word文件转换为PDF文件。 2、遍历目录 作者总结了三种遍历目录的方法,分别如下。 2.1.调用glob 遍历指定目录下的所有文件和文件夹,不递归遍历,需要手动完成递归遍历功能。 ...
  • 一个礼拜前一个同学问我这个事情,由于之前在参加华为的比赛,所以赛后看了一下,据说需要用到pdfminer这个...解析,分析,并转换成PDF文档。 PDF-1.7规范的支持。 (几乎) 中日韩语言和垂直书写脚本支持。 各种字体类
  • # pip install pdf2docx #安装依赖库 from pdf2docx import Converter ...docx_file = r'C:\Users\Administrator\Desktop\Python教程\02.docx' # convert pdf to docx cv = Converter(pdf_file) cv.convert(docx_file
  • 如何使用PythonPDF转换为Word文档?pdfboss转换器提供pdfboss-word python库给大家使用
  • 安装xhtml2pdf https://pypi.python.org/pypi/xhtml2pdf/下载字体:微软雅黑;给个地址://www.jb51.net/fonts/8481.html 待转换的文件:1.htm复制代码 代码如下:<meta charset=”utf8″/><style type=’...
  • 卧槽!Pdf转WordPython轻松搞定!

    万次阅读 2020-05-11 07:58:11
    大家在日常的工作学习过程中,都会遇到一个问题就是将pdf中的文本内容转化为word的形式,也就是从只读变成可读写的形式。面对这种情况,大家大都采用网上的工具,但是网上的工具良莠不齐,很难...
  • python-pdf2word.zip

    2020-10-12 13:38:37
    本资源为python实现pdf转word,简单的几行代码就可以实现pdf转word,后续会完善并发布python桌面端应用,请继续关注
  • 使用python win32 库 调用word底层vba,将word转成pdf 安装pywin32 pip install pywin32 python代码 from win32com.client import gencache from win32com.client import constants, gencache def createPdf...
  • python脚本PDF转world

    2018-08-10 12:47:05
    此脚本是用纯python写的,可以将PDF转换成Word格式的文本
  • Python-PDF转为Word

    千次阅读 2021-02-05 11:30:38
    手把手 | 20行Python代码教你...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...
  • Python把PDF文件转换成Word文档

    万次阅读 2018-09-29 18:34:00
    1 :pdfminer 安装库命令: pip install pdfminer3k 2: docx 安装库命令: pip install python_docx 开始正餐: (注意:pdf中非图片构成的部分才能被成功转换) 1#-*-coding:UTF-8-*- 2#!/usr/...
  • pdf转word应该算是一个很常见的需求了网上有些免费的转换工具,一方面不安全,有文件泄露风险,另一方面有免费转换的次数限制。今天向大家分享一个很好用的工具:pdf2docx安装$pip...
  • 感觉转换率不错

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 19,826
精华内容 7,930
关键字:

python把pdf转成word