2023

#2023| 来源: 网络整理| 查看: 265

可将 PDF 转换成 docx 文件的 Python 库。该项目通过 PyMuPDF 库提取 PDF 文件中的数据，然后采用 python-docx 库解析内容的布局、段落、图片、表格等，最后自动生成 docx 文件。 pdf2docx功能

- 解析和创建页面布局 - 页边距 - 章节和分栏 (目前最多支持两栏布局) - 页眉和页脚 [TODO] - 解析和创建段落 - OCR 文本 [TODO] - 水平（从左到右）或竖直（自底向上）方向文本 - 字体样式例如字体、字号、粗/斜体、颜色 - 文本样式例如高亮、下划线和删除线 - 列表样式 [TODO] - 外部超链接 - 段落水平对齐方式 (左/右/居中/分散对齐)及前后间距 - 解析和创建图片 - 内联图片 - 灰度/RGB/CMYK等颜色空间图片 - 带有透明通道图片 - 浮动图片（衬于文字下方） - 解析和创建表格 - 边框样式例如宽度和颜色 - 单元格背景色 - 合并单元格 - 单元格垂直文本 - 隐藏部分边框线的表格 - 嵌套表格 - 支持多进程转换

pdf2docx同时解析出了表格内容和样式，因此也可以作为一个表格内容提取工具。限制

- 目前暂不支持扫描PDF文字识别 - 仅支持从左向右书写的语言（因此不支持阿拉伯语） - 不支持旋转的文字 - 基于规则的解析无法保证100%还原PDF样式

安装

pip install pdf2docx

案例

from pdf2docx import parse pdf_file = '/path/to/sample.pdf' docx_file = 'path/to/sample.docx' # convert pdf to docx parse(pdf_file, docx_file) 图片.png

【本文地址】

公司简介

联系我们