用Python把PDF文件转换成Word文档
首先,下载所需要的库
1 :pdfminer 安装库命令:
pip install pdfminer3k
2: docx 安装库命令:
pip install python_docx
开始正餐:
(注意:pdf中非图片构成的部分才能被成功转换)
1#-*- coding: UTF-8 -*-
2#!/usr/bin/python
3# -*- coding: utf-8 -*-
4
5import sys
6import importlib
7importlib.reload(sys)
8
9from pdfminer.pdfparser import PDFParser,PDFDocument
10from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
11from pdfminer.converter import PDFPageAggregator
12from pdfminer.layout import *
13from pdfminer.pdfinterp import PDFTextExtractionNotAllowed
14import os
15
16#设置工作目录文件夹
17os.chdir(r'c:/users/dicey/desktop/codes/pdf-docx')
18
19'''
20解析pdf文件,获取文件中包含的各种对象
21'''
22# 解析pdf文件函数
23def parse(pdf_path):
24 fp = open('diya.pdf', 'rb') # 以二进制读模式打开
25 # 用文件对象来创建一个pdf文档分析器
26 parser = PDFParser(fp)
27 # 创建一个PDF文档
28 doc = PDFDocument()
29 # 连接分析器 与文档对象
30 parser.set_document(doc)
31 doc.set_parser(parser)
32
33 # 提供初始化密码
34 # 如果没有密码 就创建一个空的字符串
35 doc.initialize()
36
37 # 检测文档是否提供txt转换,不提供就忽略
38 if not doc.is_extractable:
39 raise PDFTextExtractionNotAllowed
40 else:
41 # 创建PDf 资源管理器 来管理共享资源
42 rsrcmgr = PDFResourceManager()
43 # 创建一个PDF设备对象
44 laparams = LAParams()
45 device = PDFPageAggregator(rsrcmgr, laparams=laparams)
46 # 创建一个PDF解释器对象
47 interpreter = PDFPageInterpreter(rsrcmgr, device)
48
49 # 用来计数页面,图片,曲线,figure,水平文本框等对象的数量
50 num_page, num_image, num_curve, num_figure, num_TextBoxHorizontal = 0, 0, 0, 0, 0
51
52 # 循环遍历列表,每次处理一个page的内容
53 for page in doc.get_pages(): # doc.get_pages() 获取page列表
54 num_page += 1 # 页面增一
55 interpreter.process_page(page)
56 # 接受该页面的LTPage对象
57 layout = device.get_result()
58 for x in layout:
59 if isinstance(x,LTImage): # 图片对象
60 num_image += 1
61 if isinstance(x,LTCurve): # 曲线对象
62 num_curve += 1
63 if isinstance(x,LTFigure): # figure对象
64 num_figure += 1
65 if isinstance(x, LTTextBoxHorizontal): # 获取文本内容
66 num_TextBoxHorizontal += 1 # 水平文本框对象增一
67 # 保存文本内容
68 with open(r'test2.doc', 'a',encoding='utf-8') as f: #生成doc文件的文件名及路径
69 results = x.get_text()
70 f.write(results)
71 f.write('\n')
72 print('对象数量:\n','页面数:%s\n'%num_page,'图片数:%s\n'%num_image,'曲线数:%s\n'%num_curve,'水平文本框:%s\n'
73 %num_TextBoxHorizontal)
74
75
76if __name__ == '__main__':
77 pdf_path = r'diya.pdf' #pdf文件路径及文件名
78 parse(pdf_path)
用Python把PDF文件转换成Word文档的更多相关文章
- ABBYY将JPEG文件转换成Word文档的方法
日常工作中处理JPEG格式的图像文件时,有时需要转换成Word文档进行编辑,市场上应用而生了很多转换工具,相信不少人听说过OCR(光学字符识别)软件,可以用来转换图像文件,而在OCR软件中, ABBY ...
- 如何使用ABBYY FineReader 12将JPEG文件转换成Word文档
日常工作中处理JPEG格式的图像文件时,有时需要转换成Word文档进行编辑,市场上应用而生了很多转换工具,相信不少人听说过OCR(光学字符识别)软件,可以用来转换图像文件,而在OCR软件中, ABBY ...
- 将Latex tex文档转换成 word文档(下)
在上篇中我们介绍了一款将 tex 文件转换成 word 文件的工具 借用万能的搜索引擎,在 Google 上找到了更好的工具 它就是Pandoc 介绍 Pandoc 是由 John McaFarlan ...
- C# : 操作Word文件的API - (将C# source中的xml注释转换成word文档)
这篇博客将要讨论的是关于: 如何从C#的source以及注释, 生成一份Word格式的关于各个类,函数以及成员变量的说明文档. 他的大背景如下...... 最近的一个项目使用C#, 分N个模块, 在项 ...
- HTML转换成word文档
1工具类保存word文件 public class WordAction { public static void SaveAsWord(string fileName, string pFileNa ...
- 将Latex tex文档转换成 word文档(上)
有时候逼不得已,必须得将自己精心排版好的latex 文档 转换成word 给别人编辑 以下提供一个方法 下载 Tex2Word 工具,地址我的网盘 安装 解压后安装,使用默认安装路径 安装过程中.点击 ...
- 15个最好的PDF转word的在线转换器,将PDF文件转换成doc文件
PDF是一种文件格式,包含文本,图像,数据等,这是独立于操作系统的文件类型.它是一个开放的标准,压缩,另一方面DOC文件和矢量图形是由微软文字处理文件.该文件格式将纯文本格式转换为格式化文档.它支持几 ...
- php将html转成word文档下载
<meta charset="utf-8" /> <?php class word{ function start(){ ob_start(); echo '&l ...
- 怎样将PDF文件转换成Excel表格
PDF文件怎样转换成Excel表格呢?因为很多的数据信息现在都是通过PDF文件进行传输的,所以很多时候,信息的接受者都需要将这些PDF文件所传输的数据信息转换成Excel表格来进行整理,但是我们应该怎 ...
- PDF文件转换成Excel表格的操作技巧
我们都知道2007以上版本的Office文档,是可以直接将文档转存为PDF格式文档的.那么反过来,PDF文档可以转换成其他格式的文档吗?这是大家都比较好奇的话题.如果可以以其他格式进行保存,就可以极大 ...
随机推荐
- KMP 算法实现
# coding=utf-8 def get_next_list(findding_str): # O(m) # 求一个字符串序列每个位置的最长相等前.后缀 j = 0 # 最长相等前缀的末位 nex ...
- 【面试题】 webpack面试篇
1.与webpack类似的工具还有哪些?谈谈你为什么选择webpack? grunt 优点:出现的比较早,第一代打包工具 缺点:配置项太多,只有一个配置文件,而且不同的插件可能有自己的配置字段,学习成 ...
- 在使用IDEA提交git代码时,如何修改提交者的名字
在Terminal终端中输入 git config user.name git config --global user.name "xl"
- Cookie解码编码
这两天给客户做竞价推广时发生一件奇怪的事情: 用户搜索关键词是AA匹配关键词是AB,等于关键词和要推广的单元完全匹配,那么用户点击创意进入网站时的Url应该就是A的: 但偶然发现关键词匹配了,url却 ...
- ES6 新语法新特性总结中...
1. 感觉 for of 通杀 for循环 和 for in呢 aaa 可以是array /object for (let k of aaa) { console.log(k) } 2 ...
- vmware 克隆虚拟机前删除网络文件
解决办法: 删除 /etc/udev/rules.d/70-persistent-net.rules文件,系统重启后重新自动生成 ··· rm -rf /etc/udev/rules.d/70-per ...
- java LinkedList 原理
概述 底层数据结构是双向链表(jdk1.6是双向循环,1.7开始不循环了),所以 新增/删除效率高,查询/修改效率相对较低 全能冠军:既是一个顺序容器,也是队列,还可以作为栈使用 未实现 Random ...
- C语言中局部变量和全局变量关于释放
1.全局都属于静态,局部区分静态非静态,局部静态和全局的区别在于可见范围,局部能使用外部看不见的意思,本质相同的. 2.如果是全局变量或局部静态变量,编译器会为其分配一个位于静态存储区的地址.这个地址 ...
- Ping命令的基本使用
一.Ping命令的基本使用 在网络中 ping 是一个十分强大的 TCP/IP 工具.我们通常会用它来直接 ping ip 地址,来测试网络的连通情况.它的作用主要为: 1.用来检测网络的连通情况和分 ...
- Windows 批量测试 ip:port 是否通畅
使用 telnet + cmd 脚本处理: @echo off start cmd /k "telnet 10.2.3.29 3000" start cmd /k "te ...