PDFtoWORD_V1.1版本支持PDF文档中的文字和图片一起转化到word文档中了~

最新推荐文章于 2022-01-14 10:04:35 发布

菜鸟小白的学习分享

最新推荐文章于 2022-01-14 10:04:35 发布

阅读量342

点赞数

文章标签： python java 编程语言人工智能大数据

本文链接：https://blog.csdn.net/qq_25535969/article/details/116272463

版权

昨天菜鸟小白做了一个小软件——PDFtoWORD，作用就是将pdf文件中的文字提取出来自动转化为可编辑的word类型。但是这个软件目前也只能将文件PDF中的文字提取出来，还无法提取图片。为了进一步完善这个小工具，菜鸟小白一下班就看有没有什么方法能够将pdf中的图片提取出来。

功夫不负有心人，还真让菜鸟小白找到了方法。使用fitz库能够很好的提取出图片，然后通过python-docx库将提取出来的图片拷贝到word中去。整体的过程如下：

PDF文件中提取文字

接下来我们就来看看代码，通过pdfminer处理PDF文件还是昨天的代码，有不理解的地方可以直接参考昨天的分享。

PDF文件中提取图片

我们先看看如何将PDF中的图片从PDF中提取出来存放到资源池中。

# -*- coding:utf-8 -*-
#author:菜鸟小白的学习分享
import fitz
import time
import re
import os


def pdf2pic(path, pic_path):
    t0 = time.clock()  # 生成图片初始时间
    checkXO = r"/Type(?= */XObject)"  # 使用正则表达式来查找图片
    checkIM = r"/Subtype(?= */Image)"
    doc = fitz.open(path)  # 打开pdf文件
    imgcount = 0  # 图片计数
    lenXREF = doc._getXrefLength()  # 获取对象数量长度


    # 打印PDF的信息
    print("文件名:{}, 页数: {}, 对象: {}".format(path, len(doc), lenXREF - 1))


    # 遍历每一个对象
    for i in range(1, lenXREF):
        text = doc._getXrefString(i)  # 定义对象字符串
        isXObject = re.search(checkXO, text)  # 使用正则表达式查看是否是对象
        isImage = re.search(checkIM, text)  # 使用正则表达式查看是否是图片
        if not isXObject or not isImage:  # 如果不是对象也不是图片，则continue
            continue
        imgcount += 1
        pix = fitz.Pixmap(doc, i)  # 生成图像对象
        new_name = "图片{}.png".format(imgcount)  # 生成图片的名称
        if pix.n < 5:  # 如果pix.n<5,可以直接存为PNG
            pix.writePNG(os.path.join(pic_path, new_name))
        else:  # 否则先转换CMYK
            pix0 = fitz.Pixmap(fitz.csRGB, pix)
            pix0.writePNG(os.path.join(pic_path, new_name))
            pix0 = None
        pix = None  # 释放资源
        t1 = time.clock()  # 图片完成时间
        print("运行时间:{}s".format(t1 - t0))
        print("提取了{}张图片".format(imgcount))


if __name__ == '__main__':
    pic_path = r'.\图片'
    path = "oracle数据库安装.pdf"
    # 创建保存图片的文件夹
    if os.path.exists(pic_path):
        print("文件夹已存在，不必重新创建！")
        pass
    else:
        os.mkdir(pic_path)
    pdf2pic(path, pic_path)

这个是一个可以独立运行的程序，作用就是将pdf中的图片存放在图片文件夹下面。在运行之前我们首先要使用pip install pymupdf库，库中包含了我们需要使用的fitz库。

将图片写入word文档

为了大致保证图片粘贴的位置和PDF中的位置一致，我们需要在昨天程序的基础上修改一下对每一页PDF文件的处理，对每一页的对象进行判断，若是文字则直接拷贝到word中，若是图片则按照pdf中的顺序依次拷贝到word中。代码如下：

        # 循环遍历列表，每次处理一个page内容
        # doc.get_pages()获取page列表
        for page in doc.get_pages():
            interpreter.process_page(page)
            # 接收该页面的LTPage对象
            layout = device.get_result()
            # 这里的layout是一个LTPage对象 里面存放着page解析出来的各种对象
            # 一般包括LTTextBox，LTFigure，LTImage，LTTextBoxHorizontal等等一些对像
            # 想要获取文本就得获取对象的text属性
            for x in layout:
                try:
                    if (isinstance(x, LTTextBoxHorizontal)):
                        # with open('%s' % (save_path), 'a') as f:
                        #     result = x.get_text()
                        #     print(result)
                        #     f.write(result + "\n")
                        result = x.get_text()
                        print(result)
                        doc_object.add_paragraph(result)
                    elif (isinstance(x, LTFigure)):
                        cont +=1
                        images =  r".\图片\图片{}.png".format(cont)
                        print(images)
                            # doc.add_paragraph(string)  # 添加文字
                        doc_object.add_picture(images, width=Inches(7))  # 添加图, 设置宽度


                except:
                    print("Failed")

最后我们再将主函数修改一下，进行调用



if __name__ == '__main__':
    # 解析本地PDF文本，保存到本地TXT
    file_name = input("请输入需要转化的文件名：")
    doc_name = input("请输入转化后的文件名（支持TXT、doc、HTML格式）：")
    pic_path = r'.\图片'
    flag = False
    # 创建保存图片的文件夹
    if os.path.exists(pic_path):
        print("文件夹已存在，不必重新创建！")
        pass
    else:
        os.mkdir(pic_path)
        flag = True
    PNGfromPDF.pdf2pic(file_name,pic_path)
    doc = Document()  # doc对象
    # with open(r'菜鸟小白.pdf', 'rb') as pdf_html:
    #     parse(pdf_html, r'菜鸟小白的学习分享.doc')
    with open(file_name, 'rb') as pdf_html:
        parse(pdf_html, doc_name,doc)
    doc.save(doc_name)  # 保存路径

最终实现效果

原始PDF文件