用Python把PDF文件转换成Word文档

首先，下载所需要的库

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/bin/python 3# -*- coding: utf-8 -*- 4 5import sys 6import importlib 7importlib.reload(sys) 8 9from pdfminer.pdfparser import PDFParser,PDFDocument10from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter11from pdfminer.converter import PDFPageAggregator12from pdfminer.layout import *13from pdfminer.pdfinterp import PDFTextExtractionNotAllowed14import os1516#设置工作目录文件夹17os.chdir(r'c:/users/dicey/desktop/codes/pdf-docx')1819'''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)3233    # 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()3637    # 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 PDFTextExtractionNotAllowed40    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)4849        # 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, 05152        # 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 += 161                if isinstance(x,LTCurve):  # 曲线对象62                    num_curve += 163                if isinstance(x,LTFigure):  # figure对象64                    num_figure += 165                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)747576if __name__ == '__main__':77    pdf_path = r'diya.pdf'  #pdf文件路径及文件名78    parse(pdf_path)

转载于:https://www.cnblogs.com/wangliman/p/9725345.html