[转]Python代码教你批量将PDF转为Word

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。 

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）

步骤：

安装pdfminer3k模块

代码：

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63

#!/usr/bin/env python # Version = 3.5.2 # __auth__ = '无名小妖' 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 from docx import Document   document = Document()     def parse():     # rb以二进制读模式打开本地pdf文件     fn = open('Django-日志配置.md.pdf','rb')     # 创建一个pdf文档分析器     parser = PDFParser(fn)     # 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)       # 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(), type(out.get_text()))                     content = out.get_text().replace(u'xa0', u' ')  # 将'xa0'替换成u' '空格，这个xa0就是&nbps空格                     # with open('test.txt','a') as f:                     #     f.write(out.get_text().replace(u'xa0', u' ')+' ')                     document.add_paragraph(                         content, style='ListBullet'    # 添加段落，样式为unordered list类型                     )                 document.save('demo1.docx')  # 保存这个文档     if __name__ == '__main__':     parse()

　　

---------------------
作者：无名小妖
来源：CNBLOGS
原文：https://www.cnblogs.com/wumingxiaoyao/p/8460973.html
版权声明：本文为作者原创文章，转载请附上博文链接！