Python轻松实现PDF格式转换(附详细源码)

PDF转text

方法一

• 首先，安装一下操作PDF的库pdfplumber。pdfplumber 可以很好的读取 PDF 文件内容和提取 PDF 中的表格，这个库不属于 Python 标准库，需要单独安装。

import pdfplumber
with pdfplumber.open("经济结构、政府债务与地方政...589只地方政府债券的证据.pdf") as p:
    page = p.pages[0] #提前第一页内容
    textdata = page.extract_text()
textdata

• 提前所有页面内容并且保存为text文本：

with pdfplumber.open("经济结构、政府债务与地方政...589只地方政府债券的证据.pdf") as p:
    for i in range(13):
        page = p.pages[i]
        textdata = page.extract_text()
        #print(textdata)
        data = open('text.text',"a") #a表示指定写入模式为追加写入
        data.write(textdata)

方法二

• 需要先安装pdfdocx。

pip install pdfdocx

from pdfdocx import read_pdf
p_text = read_pdf("经济结构、政府债务与地方政...589只地方政府债券的证据.pdf")
#print(p_text)
f = open('文本.txt','w',encoding='utf8')
f.write(p_text)

PDF转word

方法一

• 需要安装一下操作Word的库python-docx。

#PDF转Word
import pdfplumber
from docx import Document
with pdfplumber.open("经济结构、政府债务与地方政...589只地方政府债券的证据.pdf") as p:
    page = p.pages[2]
    textdata = page.extract_text()
    document = Document()  #新建一个空白的word文档
    content = document.add_paragraph(textdata)  #在文档中添加正文段落，将变量textdata导进去
    document.save("word.docx")  #保存文档docx，命名为word

• 如果需要提取全部内容，加一个循环。

方法二

• 需要先安装pdfdocx

from pdfdocx import read_pdf
textdata = read_pdf("经济结构、政府债务与地方政...589只地方政府债券的证据.pdf")
document = Document() #新建一个空白的word文档
content = document.add_paragraph(textdata) #在文档中添加正文段落，将变量textdata导进去
document.save('word.docx')

PDF转Excel

• 这里所说的PDF转Excel不是全文转Excel，而是对论文中的部分表格进行格式转换，方便在Excel中对数据进行筛选、计算等操作。
• 本案例PDF论文中第2页为截取部分内容，长这样：

• 首先，安装并导入操作Excel表格的库openpyxl。

#PDF转Word
import pdfplumber
from openpyxl import Workbook
with pdfplumber.open("经济结构、政府债务与地方政...589只地方政府债券的证据.pdf") as p:
    workbook = Workbook()  #新建空白Excel工作簿
    sheet = workbook.active  #激活sheet
    page = p.pages[1] #如果提前多页的表格，则在之前加一个for循环,比如for i in range(68,75):  #遍历69页-75页
    table = page.extract_table() #提取表格数据
    #print(table)
    for row in table:  #遍历所有行
        #print(row)
        sheet.append(row) #按行追加写入数据
        workbook.save("Excel.xlsx") #保存文件，命名为Excel
        # 如果是遍历多个表格，需要输入如下命令
        #i += 1
        #print("第%d页PDF提取完成"%i) #提示提取进度

• 结果不尽如人意：