| pdf2docx：Python实现PDF转Word | 您所在的位置：网站首页 › python pypdf2转word › pdf2docx：Python实现PDF转Word |
pdf2docx：Python实现PDF转Word
|
本文简介作者写的一个PDF转Word的Python库pdf2docx，包括基本思路、功能、使用方法及样例。 https://github.com/dothinking/pdf2docx 1 基本思路PDF文档遵循一定的规范1，例如精确定位了每个字符出现在页面上的坐标、根据坐标绘制的各种形状（线、矩形、曲线等）。所以，用PDF格式传输和打印文档可以保证格式的一致性，不会像Word那样因为渲染引擎的不同而出现格式错乱、多页少页等问题。 Word文档则是一种流式布局，元素之间的相对距离决定了其呈现在页面上的最终位置。因此适合编辑内容，前文内容的修改自动促发后续文档布局的更新。 PDF转Word是一个古老的话题，其难点在于建立从PDF基于元素位置的格式到Word基于内容的格式的映射。例如，PDF中实际并不存在段落、表格的概念，仅仅是在给定位置上有一些文本、直线，PDF转Word要做的就是将“横、竖线条围绕着文本”解析为“表格”，将“文本及下方的一条横线”解析为“文本下划线”，等等。 具体实现离不开对PDF文档的版式分析，可以是传统的文档元素位置和内容分析，也可以是机器学习/计算机视觉方法训练模型（尤其是针对扫描的PDF文档）。pdf2docx采用的是前者，基本思路： 利用PyMuPDF获取页面元素，例如文本和形状及其位置；利用元素间的相对位置关系推断内容；使用python-docx将上一步解析的内容元素重建为docx格式的Word文档。以上技术路线也决定了pdf2docx的局限： 无法识别和重建PDF扫描件。根据有限的、确定的规则建立PDF与docx元素之间的映射并非完全可靠，也就是说仅能处理常见的规范的格式，而非百分百还原。 2. 功能段落及文本样式 段落对齐方式（左/右/居中/分散）及段间距 水平（自左向右）或竖直（自底向上）方向的文本 字体样式（颜色、字体、大小、粗/斜体） 文本样式（高亮、下划线、删除线、超链接） 列表样式图片 段落内嵌入型图片 衬于文本下方的浮动型图片 支持Gray/RGB/CMYK等颜色模式及透明背景图片表格及其样式 边框样式（粗细、颜色） 单元格背景色 合并的单元格 隐藏部分边框的表格（例如三线表） 嵌套表格支持多进程并行处理 3. 快速上手pdf2docx支持Windows和Linux平台，要求Python版本>=3.6。 首先，通过pip安装： $ pip install pdf2docx 作为Python库使用 from pdf2docx import Converter pdf_file = '/path/to/sample.pdf' docx_file = 'path/to/sample.docx' # convert pdf to docx cv = Converter(pdf_file) cv.convert(docx_file, start=0, end=None) cv.close()其中，start和end参数指定转换页码的范围（下标默认从0开始），默认从第一页到最后一页；也可以通过pages指定不连续的页面，例如pages=[1,3,5]。 作为命令行工具使用pdf2docx也可以作为一个命令行工具，直接在命令窗口中使用： $ pdf2docx convert /path/to/pdf /path/to/docx同理可以通过--start、--end或者--pages指定页面范围。 更多说明参考文档2。 4. 样例首先看一个综合样例，涉及段落、文本样式、表格样式及图片。 基本表格 （第一行标题存在一点瑕疵，不过可以手动回车调整） 复杂一些的表格 （椭圆章上旋转角度的字都丢掉了，目前无能为力，仅支持水平、竖直的文字；密码区同上一例，第三行字符“49”后面需要手动加一个软回车） 最后，看一个浮动图片的例子 PDF Reference 1.7 ↩︎ pdf2docx documentation ↩︎ |
【本文地址】