Py学习  »  Python

手把手 | 20行Python代码教你批量将PDF转为Word

大数据文摘 • 6 年前 • 489 次点击  

大数据文摘作品

投稿作者丁彦军


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。


本文为投稿作品,仅代表个人观点。

作者介绍:

一个痴迷于Python语言的业余程序猿,经过半年苦练,经历过从入门到放弃,现在庆幸走到痴迷于Python状态。未来的理想是能够与一群痴迷于Python语言的程序猿做有意义的事。知乎专栏链接:https://www.zhihu.com/people/cai-niao-fen-xi-64/activities


【今日机器学习概念】

Have a Great Definition


今天看啥 - 高品质阅读平台
本文地址:http://www.jintiankansha.me/t/zXPJu3LWiG
Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/7431
 
489 次点击