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()

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~

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')