gitee上的pdf转word(学习)

转载的博客地址，向原创学习：
https://gitee.com/lyc96/pdf-to-word

from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFPage

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.layout import LAParams
from pdfminer.converter import PDFPageAggregator

from pdfminer.pdfpage import PDFTextExtractionNotAllowed

from docx import Document

# 新建一个文档对象
document = Document()

# rb以二进制读模式打开本地pdf文件
fn = open(r'C:\Users\lee\Desktop\1.pdf','rb')
# 创建一个pdf文档分析器
parser = PDFParser(fn)

# 创建一个PDF文档
doc = PDFDocument(parser)

# 连接分析器 与文档对象
parser.set_document(doc)

# 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 PDFPage.create_pages(doc):
    # 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"):
            content = out.get_text().replace(u'\xa0', u' ')  # 将'\xa0'替换成u' '空格，这个\xa0就是&nbps空格
            print(content)
            document.add_paragraph(
                content, style='ListBullet'  # 添加段落，样式为unordered list类型
            )
        document.save(r'C:\Users\lee\Desktop\out.doc')  # 保存这个文档