Python Pdf批量转Word轻松搞定

日常工作中，经常遇到：需要把Pdf格式文件转为Word格式。网上有各种软件，但是99%都是收费的，而且费用很高。下面，胖哥用Python代码手把手教你：Pdf批量转Word。

整体实现解析：

整体上分为2步：

第一步读取PDF文件，第二步写入Word文件。

• 第一步：

def read_from_pdf(file_path):
    with open(file_path, 'rb') as file:
        resource_manager = PDFResourceManager()
        return_str = StringIO()
        lap_params = LAParams()

        device = TextConverter(
            resource_manager, return_str, laparams=lap_params)
        process_pdf(resource_manager, device, file)
        device.close()

        content = return_str.getvalue()
        return_str.close()
        return content

content变量存储的就是我们从PDF文件中读取出的文字内容。

• 第二步：

def save_text_to_word(content, file_path):
    doc = Document()
    for line in content.split('\n'):
        paragraph = doc.add_paragraph()
        paragraph.add_run(remove_control_characters(line))
    doc.save(file_path)

content是前面读取出的文字内容，由于是将整个PDF读成一个字符串，所以需要使用split方法将每一行分隔开，然后按行写入word，否则所有的文字会在同一行。同时这段代码使用了一个remove_control_characters函数，这个函数是需要自己实现的，目的是移除控制字符（换行符、制表符、转义符等），因为python-docx是不支持控制字符写入的。

函数实现：

def remove_control_characters(content):
    mpa = dict.fromkeys(range(32))
    return content.translate(mpa)

控制字符就是ASCII码在32以下的，所以使用str的translate方法，把32以下的字符移除就可以。

 

有伙伴们，该有疑问了：没看到怎么实现"批量的？

 

批量实现如下：

def main():
    config_parser = ConfigParser()
    config_parser.read('config.cfg')
    config = config_parser['default']

    tasks = []
    with ProcessPoolExecutor(max_workers=int(config['max_worker'])) as executor:
        for file in os.listdir(config['pdf_folder']):
            extension_name = os.path.splitext(file)[1]
            if extension_name != '.pdf':
                continue
            file_name = os.path.splitext(file)[0]
            pdf_file = config['pdf_folder'] + file
            word_file = config['word_folder'] + file_name + '.doc'
            print('正在处理: ', file)
            result = executor.submit(pdf_to_word, pdf_file, word_file)
            tasks.append(result)
    while True:
        exit_flag = True
        for task in tasks:
            if not task.done():
                exit_flag = False
        if exit_flag:
            print('完成')
            exit(0)

如需获取完整的代码，请公众号后台回复：PdfToWord。

更多内容，可关注作者的微信公众号：胖哥真不错。