不能解析扫描的pdf
不能解析扫描的pdf
不能解析扫描的pdf
安装包pdf2docx
安装可以从 Pypi 或源代码
$ pip install pdf2docx
卸载
$ pip uninstall pdf2docx
class pdf2docx.converter.
Converter(pdf_file: str, password: Optional[str] = None)
PDF转换器docx。
- 读取PDF文件以PyMuPDF逐页获取原始布局数据,包括文本、图像、绘图及其属性,例如边界框、字体、大小、图像宽度、高度。
- 分析文档级别的布局,例如页眉、页脚和页边距。
- 将页面布局解析为 docx 结构,例如段落及其属性,如缩进、间距、文本对齐;表格及其属性,如边框、阴影、合并。
- 最后,生成 docx python-docx。
load_pages(start: int = 0, end: Optional[int] = None, pages: Optional[list] = None)
转换过程的第 1 步:用 打开 PDF 文件PyMuPDF,尤其是密码加密文件。
参数
- start ( int , optional ) – 要处理的第一页。默认为 0,第一页。
- end ( int , optional ) – 要处理的最后一页。默认为无,最后一页。
- pages ( list , optional ) – 要解析的页面索引范围。默认为无。
parse_document ( ** kwargs )
转换过程的第 2 步:分析整个文档,例如页面部分、页眉/页脚和边距。
parse_pages ( ** kwargs )
转换过程的第 3 步:解析页面,例如段落、图像和表格。
make_docx ( docx_filename = None , ** kwargs )
转换过程的第 4 步:使用转换后的页面创建 docx 文件。
参数
- docx_filename ( str ) – 要写入的 docx 文件名。
- kwargs ( dict , optional ) – 配置参数。
parse(start: int = 0, end: Optional[int] = None, pages: Optional[list] = None, **kwargs)
分三步解析页面: * 打开 PDF 文件PyMuPDF * 分析整个文档,例如页面部分、页眉/页脚和边距 * 解析指定页面,例如段落、图像和表格
参数
- start ( int , optional ) – 要处理的第一页。默认为 0,第一页。
- end ( int , optional ) – 要处理的最后一页。默认为无,最后一页。
- pages ( list , optional ) – 要解析的页面索引范围。默认为无。
- kwargs ( dict , optional ) – 配置参数。
示例:
from pdf2docx import Converter
import numpy as np
pdf_file = '/home/admin/开发计划进度表.pdf'
docx_file = '/home/admin/开发计划进度表.docx'
# convert pdf to docx
cv = Converter(pdf_file)
cv.convert(docx_file, start=0, end=None)
cv.close()
修改源码,增加判断,扫描pdf不进行解析
from pdf2docx import Converter
import numpy as np
pdf_file = '/home/admin/开发计划进度表.pdf'
docx_file = '/home/admin/开发计划进度表.docx'
CV = Converter(pdf_file)
page = CV.fitz_doc.pageCount
lists = np.arange(min((page,5)))
CV.parse(start=0, end=None,pages=lists,**CV.default_settings)
if not CV.pages.words_found:
print("It might be a scanned pdf, which is not supported yet.")
else:
CV.convert(docx_file, start=0, end=None)
CV.close()