python批量将pdf转成word_Python代码教你批量将PDF转为Word

很多时候在学习时发现许多文档都是PDF格式，PDF格式却不利于学习使用，因此需要将PDF转换为Word文件，但或许你从网上下载了很多软件，但只能转换前五页（如WPS等），要不就是需要收费，那有没有免费的转换软件呢？

so，我们给各位带来了一个免费简单快速的方法，手把手教你用Python批量处理PDF格式文件，获取自己想要的内容，存为word形式。

在实现PDF转Word功能之前，我们需要一个python的编写和运行环境，同时安装好相关的依赖包。 对于python环境，我们推荐使用PyCharm。

PDF转Word功能所需的依赖包如下：

PDFParser（文档分析器）

PDFDocument（文档对象）

PDFResourceManager（资源管理器）

PDFPageInterpreter（解释器）

PDFPageAggregator（聚合器）

LAParams（参数分析器）

步骤：

安装pdfminer3k模块

代码：

#!/usr/bin/env python

# Version = 3.5.2

# __auth__ = '无名小妖'

from pdfminer.pdfparser import PDFParser, PDFDocument

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter

from pdfminer.layout import LAParams

from pdfminer.converter import PDFPageAggregator

from pdfminer.pdfinterp import PDFTextExtractionNotAllowed

from docx import Document

document = Document()

def parse():

# rb以二进制读模式打开本地pdf文件

fn = open('Django-日志配置.md.pdf','rb')

# 创建一个pdf文档分析器

parser = PDFParser(fn)

# 创建一个PDF文档

doc = PDFDocument()

# 连接分析器 与文档对象

parser.set_document(doc)

doc.set_parser(parser)

# 提供初始化密码doc.initialize("lianxipython")

# 如果没有密码 就创建一个空的字符串

doc.initialize("")

# 检测文档是否提供txt转换，不提供就忽略

if not doc.is_extractable:

raise PDFTextExtractionNotAllowed

else:

# 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 doc.get_pages():

# 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"):

# print(out.get_text(), type(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

# with open('test.txt','a') as f:

# f.write(out.get_text().replace(u'\xa0', u' ')+'\n')

document.add_paragraph(

content, style='ListBullet' # 添加段落，样式为unordered list类型

)

document.save('demo1.docx') # 保存这个文档

if __name__ == '__main__':

parse()