20行Python代码教你批量将PDF文件转为Word格式-阿里云开发者社区

开发者社区> 安全> 正文
登录阅读全文

20行Python代码教你批量将PDF文件转为Word格式

简介:

很多时候在学习时发现许多文档都是PDF格式,PDF格式却不利于学习使用,因此需要将PDF转换为Word文件,但或许你从网上下载了很多软件,但只能转换前五页(如WPS等),要不就是需要收费,那有没有免费的转换软件呢?

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和部署。

PDF转Word功能所需的依赖包如下:

PDFParser(文档分析器),PDFDocument(文档对象),PDFResourceManager(资源管理器),PDFPageInterpreter(解释器),PDFPageAggregator(聚合器),LAParams(参数分析器)

一、前期准备工作

说明:菜鸟分析是在Windows7下使用python最新的3.6版本

1.安装pdfminer3k模块

安装anaconda后,直接可以通过pip安装

640?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy


2.若安装不成功,可以试试下面方法

首先下载pdfminer3k:https://pypi.python.org/pypi/pdfminer3k;然后安装pdfminer

将下载好的pdfminer3k解压到D:或其他合适的盘符,通过win+r 打开运行窗口,输入cmd;

输入D:切换到D盘,cd pdfminer3k(pdf解压的文件夹),输入setup.py install安装软件。

640?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy

最终显示Finished,则代表成功

二、代码实操

导入相关包

from pdfminer.pdfparser import PDFParser, PDFDocument from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter from pdfminer.layout import LAParams from pdfminer.converter import PDFPageAggregator

整体思路为:构造文档对象,解析文档对象,提取所需内容

640?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy

构造文档对象

640?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy

构造解释器

2.导入需要解析的PDF文件

将所需解析的文件与执行代码放到同一个目录下,如图:

640?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy640?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy

test.pdf内容

3.具体代码如下:

from pdfminer.pdfparser import PDFParser, PDFDocument from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter from pdfminer.layout import LAParams from pdfminer.converter import PDFPageAggregator from pdfminer.pdfinterp import PDFTextExtractionNotAllowed def parse():    #rb以二进制读模式打开本地pdf文件    fn = open('test.pdf','rb')    #创建一个pdf文档分析器    parser = PDFParser()    #创建一个PDF文档    doc = PDFDocument()    #连接分析器 与文档对象    parser.set_document()    doc.set_parser()    # 提供初始化密码doc.initialize("lianxipython")    # 如果没有密码 就创建一个空的字符串    doc.initialize("")    # 检测文档是否提供txt转换,不提供就忽略    if not doc.is_extractable:        raise PDFTextExtractionNotAllowed    else:        #创建PDf资源管理器        resource = PDFResourceManager()        #创建一个PDF参数分析器        laparams = LAParams()        #创建聚合器,用于读取文档的对象        device = PDFPageAggregator(resource,laparams=laparams)        #创建解释器,对文档编码,解释成Python能够识别的格式        interpreter = PDFPageInterpreter(resource,device)        # 循环遍历列表,每次处理一页的内容        # doc.get_pages() 获取page列表        for page in doc.get_pages():            #利用解释器的process_page()方法解析读取单独页数            interpreter.process_page(page)            #使用聚合器get_result()方法获取内容            layout = device.get_result()            #这里layout是一个LTPage对象,里面存放着这个page解析出的各种对象            for out in layout:                #判断是否含有get_text()方法,获取我们想要的文字                if hasattr(out,"get_text"):                    print(out.get_text())                    with open('test.txt','a') as f:                        f.write(out.get_text()+'\n') if __name__ == '__main__':    parse()

最终得到的test.txt结果如下:

640?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy


转自:https://mp.weixin.qq.com/s?__biz=MzI5NDY1MjQzNA==&mid=2247485665&idx=1&sn=0103e8336c5e6ba2c17f7ad47af478f4&chksm=ec5ed79cdb295e8a7134ec3e6f5973f579cb4b7006eef9a8bd01b2805a34227dc799e3df09d7&mpshare=1&scene=23&srcid=0225bv4tmjxvkOea47OeniD9#rd

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享: