두 줄의 Python 코드를 사용하여 PDF를 단어로 변환하는 방법

一、安装依赖包

pip install --index https://pypi.mirrors.ustc.edu.cn/simple/ python-office

이、pdf转word

2.1 代码实现

import office
office.pdf.pdf2docx(file_path = 'test.pdf')

运行过程如下：

[1/4] 문서 열기...
[정보] [2/ 4] 문서 분석 중...
[경고] '생성된' 타임스탬프가 매우 낮은 것 같습니다. 유닉스 타임스탬프와 관련하여
[경고] '수정된' 타임스탬프가 매우 낮은 것 같습니다. 유닉스 타임스탬프와 관련하여
[경고] '생성된' 타임스탬프가 매우 낮은 것 같습니다. 유닉스 타임스탬프와 관련하여
[경고] '수정된' 타임스탬프가 매우 낮은 것 같습니다. 유닉스 타임스탬프에 관하여
[INFO] [3/4] 페이지 구문 분석 중...
[INFO] (1/9) 페이지 1
[INFO] (2/9) 페이지 2
[INFO] (3/9) 페이지 3
[INFO] (4/9) 페이지 4
[INFO] (5/9) 페이지 5
[INFO] (6/9) 페이지 6
[INFO] (7/9) 페이지 7
[INFO] ( 8/9) 페이지 8
[INFO] (9/9) 페이지 9
[INFO] [4/4] 페이지 생성 중...
[INFO] (1/9) 페이지 1
[INFO] (2/9) ) 2페이지
[INFO](3/9) 3페이지
[INFO](4/9) 4페이지
[INFO](5/9) 5페이지
[INFO](6/9) 6페이지
[INFO ] (7/9) 7페이지
[INFO] (8/9) 8페이지
[INFO] (9/9) 9페이지
[INFO] 1.30초 만에 종료됩니다.
 
종료 코드 0

으로 프로세스가 종료되었습니다. 2.2 pdf内容

2.3 转换后的word

由上可见，效果还不错。

补充

除了上文적법한 방법, 작은 규모의 집에서 Python을 사용하는 방법 PDF转Word방법，需要的可以参考一下

方法一：

import os
from configparser import ConfigParser
from io import StringIO
from io import open
from concurrent.futures import ProcessPoolExecutor

from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.pdfinterp import process_pdf
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from docx import Document


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


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)


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


def pdf_to_word(pdf_file_path, word_file_path):
    content = read_from_pdf(pdf_file_path)
    save_text_to_word(content, word_file_path)


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 + '.docx'
            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)


if __name__ == '__main__':
    main()

方法二：

加密过的PDF转word

#-*- coding: UTF-8 -*- 
#!/usr/bin/python
#-*- coding: utf-8 -*-
import sys
import importlib
importlib.reload(sys)
from pdfminer.pdfparser import PDFParser,PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import *
from pdfminer.pdfinterp import PDFTextExtractionNotAllowed
import os
#设置工作目录文件夹
os.chdir(r'c:/users/dicey/desktop/codes/pdf-docx')
#解析pdf文件函数
def parse(pdf_path):
 fp = open('diya.pdf', 'rb') # 以二进制读模式打开
 # 用文件对象来创建一个pdf文档分析器
 parser = PDFParser(fp)
 # 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
 # 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 来管理共享资源
  rsrcmgr = PDFResourceManager()
  # 创建一个PDF设备对象
  laparams = LAParams()
  device = PDFPageAggregator(rsrcmgr, laparams=laparams)
  # 创建一个PDF解释器对象
  interpreter = PDFPageInterpreter(rsrcmgr, device)
  # 用来计数页面，图片，曲线，figure，水平文本框等对象的数量
  num_page, num_image, num_curve, num_figure, num_TextBoxHorizontal = 0, 0, 0, 0, 0
  # 循环遍历列表，每次处理一个page的内容
  for page in doc.get_pages(): # doc.get_pages() 获取page列表
   num_page += 1 # 页面增一
   interpreter.process_page(page)
   # 接受该页面的LTPage对象
   layout = device.get_result()
   for x in layout:
    if isinstance(x,LTImage): # 图片对象
     num_image += 1
    if isinstance(x,LTCurve): # 曲线对象
     num_curve += 1
    if isinstance(x,LTFigure): # figure对象
     num_figure += 1
    if isinstance(x, LTTextBoxHorizontal): # 获取文本内容
     num_TextBoxHorizontal += 1 # 水平文本框对象增一
     # 保存文本内容
     with open(r'test2.doc', 'a',encoding='utf-8') as f: #生成doc文件的文件名及路径
      results = x.get_text()
      f.write(results)
      f.write('\n')
  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'
    %num_TextBoxHorizontal)

if __name__ == '__main__':
 pdf_path = r'diya.pdf' #pdf文件路径及文件名
 parse(pdf_path)

위 내용은 두 줄의 Python 코드를 사용하여 PDF를 단어로 변환하는 방법의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!