”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
|
|
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:
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
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:
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。
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:
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):
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:
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
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?
你也来动手试一试?
完整代码请点击阅读原文