”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
|
|
V
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：
代码语言：javascript复制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
代码语言：javascript复制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：
代码语言：javascript复制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。
代码语言：javascript复制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：
代码语言：javascript复制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）：
代码语言：javascript复制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：
代码语言：javascript复制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
代码语言：javascript复制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？
