手把手|20行Python代码教你批量将PDF文件转为Word格式(包教包会),20行python


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”

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,菜鸟分析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)

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

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

二、代码实操

导入相关包

  1. from pdfminer.pdfparser import PDFParser, PDFDocument  
  2. from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter  
  3. from pdfminer.layout import LAParams  
  4. 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:

  1. from pdfminer.pdfparser import PDFParser, PDFDocument  
  2. from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter 
  3. from pdfminer.layout import LAParams  
  4. from pdfminer.converter import PDFPageAggregator  
  5. from pdfminer.pdfinterp import PDFTextExtractionNotAllowed  
  6.  
  7. def parse():  
  8.     #rb以二进制读模式打开本地pdf文件  
  9.     fn = open('test.pdf','rb') 
  10.     #创建一个pdf文档分析器  
  11.     parser = PDFParser()  
  12.     #创建一个PDF文档  
  13.     doc = PDFDocument()  
  14.     #连接分析器 与文档对象  
  15.     parser.set_document()  
  16.     doc.set_parser()  
  17.  
  18.     # 提供初始化密码doc.initialize("lianxipython")  
  19.     # 如果没有密码 就创建一个空的字符串  
  20.     doc.initialize("")  
  21.     # 检测文档是否提供txt转换,不提供就忽略  
  22.     if not doc.is_extractable:  
  23.         raise PDFTextExtractionNotAllowed  
  24.     else:  
  25.         #创建PDf资源管理器  
  26.         resource = PDFResourceManager()  
  27.         #创建一个PDF参数分析器  
  28.         laparams = LAParams()  
  29.         #创建聚合器,用于读取文档的对象  
  30.         device = PDFPageAggregator(resource,laparams=laparams)  
  31.         #创建解释器,对文档编码,解释成Python能够识别的格式  
  32.         interpreter = PDFPageInterpreter(resource,device)  
  33.         # 循环遍历列表,每次处理一页的内容  
  34.         # doc.get_pages() 获取page列表  
  35.         for page in doc.get_pages():  
  36.             #利用解释器的process_page()方法解析读取单独页数  
  37.             interpreter.process_page(page)  
  38.             #使用聚合器get_result()方法获取内容  
  39.             layout = device.get_result()  
  40.             #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  
  41.             for out in layout:  
  42.                 #判断是否含有get_text()方法,获取我们想要的文字  
  43.                 if hasattr(out,"get_text"):  
  44.                     print(out.get_text())  
  45.                     with open('test.txt','a') as f:  
  46.                         f.write(out.get_text()+'\n')  
  47.  
  48. if __name__ == '__main__':  
  49.     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。

评论关闭