python pdf转word

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()