丁彦军作者

手把手 | 20行Python代码教你批量将PDF转为Word

在日常工作或学习中,经常会遇到这样的无奈:

“小任,你把这个PDF中的文件码出来发我”

艹,倒霉,2M的PDF12点也完不了啊!

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?

so,我们给各位带来了一个免费简单快速的方法,手把手教你用Python批量处理PDF格式文件,获取自己想要的内容,存为word形式。

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)

前期准备工作

说明:本文是在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

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。

最终显示Finished,则代表成功

代码实操

1.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

构造文档对象

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:

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:

结束

对于Python批量PDF转Word的操作介绍就到此,本文仅仅作为一种运用库展示代码编写过程,具体技术还需要有兴趣的朋友,与我一起讨论专研,互相学习进步。

入门
相关数据
参数技术
parameter

在数学和统计学裡,参数(英语:parameter)是使用通用变量来建立函数和变量之间关系(当这种关系很难用方程来阐述时)的一个数量。

推荐文章
如何在Python中快速进行语料库搜索:近似最近邻算法
路雪2
深度学习 + OpenCV,Python实现实时视频目标检测
李亚洲9
TensorFlow机器学习模型快速部署指南
李亚洲6
返回顶部