PDF格式的文档在我们使用的时候比较方便，因为不会因为编辑器和其他原因导致格式不正常，但是有时候我们又需要对这个文档进行修改，这时候我们就需要将PDF解析成word格式的。网上有很多的格式转换的网站和软件，但是大多数只能免费使用几次，后面再使用的话就要升级vip了，那如果我们自己写一个pdf转换的程序，是不是很方便又很niuability呢？
这篇文章就说说如何使用python来写一个pdf转换word的小工具。
这里我使用的系统是win10系统，python版本是3.7：
使用的依赖包是pdfminer3k，可以通过下面的命令进行安装：
pip install pdfminer3k 复制代码
具体代码如下，每行代码的功能都写在了注释中，就不再一一进行赘述：
# author:江夏 # date: 2020-10-31 # description：python将pdf文档转换为word格式 import sys import importlib importlib.reload(sys) from pdfminer.pdfparser import PDFParser,PDFDocument from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter from pdfminer.converter import PDFPageAggregator from pdfminer.layout import * from pdfminer.pdfinterp import PDFTextExtractionNotAllowed # 首先定义一个解析pdf文档的函数 # 解析pdf文件，获取文件中包含的各种对象 def parse(pdf_path): # 这里以二进制读模式打开pdf文档 fp = open(pdf_path, 'rb') # 接着用文件对象来创建一个pdf文档解析 parser = PDFParser(fp) # 创建一个PDF文档 doc = PDFDocument() # 连接分析器 与文档对象 parser.set_document(doc) doc.set_parser(parser) 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 来管理共享资源 rsrcmgr = PDFResourceManager() # 创建一个PDF设备对象 laparams = LAParams() device = PDFPageAggregator(rsrcmgr, laparams=laparams) # 创建一个PDF解释器对象 interpreter = PDFPageInterpreter(rsrcmgr, device) # 用来计数页面，图片，曲线，figure，水平文本框等对象的数量 num_page, num_image, num_curve, num_figure, num_TextBoxHorizontal = 0, 0, 0, 0, 0 # 循环遍历列表，每次处理一个page的内容 # doc.get_pages() 获取page列表 for page in doc.get_pages(): # 页面加1 num_page += 1 interpreter.process_page(page) # 接受该页面的LTPage对象 layout = device.get_result() for x in layout: 、 # 图片对象 if isinstance(x,LTImage): num_image += 1 # 曲线对象 if isinstance(x,LTCurve): num_curve += 1 # figure对象 if isinstance(x,LTFigure): num_figure += 1 # 获取文本内容 if isinstance(x, LTTextBoxHorizontal): # 水平文本框对象加1 num_TextBoxHorizontal += 1 # 保存文本内容，生成doc文件的文件名及路径 with open(r'test.doc', 'a',encoding='utf-8') as f: results = x.get_text() f.write(results) f.write('\n') # 打印出paf文档的对象情况 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' %num_TextBoxHorizontal) # 执行主函数 if __name__ == '__main__': #读取pdf文件路径及文件名 pdf_path = r'C:\Users\Jiang\Desktop\test.pdf' #对该路径下的pdf文件执行上面自定义的解析pdf文档的函数 parse(pdf_path) 复制代码
pdf文档的内容如下：
执行代码：
解析出doc文档：
打开内容如下：
上面就是python如何使用pdfminer3k将pdf文档转换为doc文本格式，类似的还有将pdf转换为txt、doc转pdf，其实实现方式就差不多了，感兴趣的同学可以自己试试，有任何问题欢迎交流讨论。
