荐媳妇儿让我给她找一个PDF转word免费工具，找了半天我决定给她写一个出来^-^

程序员文章站 2022-03-30 09:36:33

之前我媳妇儿让我给她找一个PDF转WORD的免费工具，在网上找了半天发现要不就是收费，要不就是转化的格式混乱。既然网上不能找到好用的免费工具那就直接来写一个吧。人生苦短，我用python。万能的python肯定应该有关于这个第三方库，百度了一下果不其然——PDFminer3k（如果你用的是python2的话那你应该使用的是pdfminer）。我们先上代码然后再分析吧。# -*- coding:utf-8 -*-#author:菜鸟小白的学习分享from pdfminer.pdfparser imp...

之前我媳妇儿让我给她找一个PDF转WORD的免费工具，在网上找了半天发现要不就是收费，要不就是转化的格式混乱。既然网上不能找到好用的免费工具那就直接来写一个吧。人生苦短，我用python。

万能的python肯定应该有关于这个第三方库，百度了一下果不其然——PDFminer3k（如果你用的是python2的话那你应该使用的是pdfminer）。

我们先上代码然后再分析吧。

# -*- coding:utf-8 -*-
#author:菜鸟小白的学习分享
from pdfminer.pdfparser import PDFParser, PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LTTextBoxHorizontal, LAParams
from pdfminer.pdfinterp import PDFTextExtractionNotAllowed

def parse(DataIO, save_path):
    # 用文件对象创建一个PDF文档分析器
    parser = PDFParser(DataIO)
    # 创建一个PDF文档
    doc = PDFDocument()
    # 分析器和文档相互连接
    parser.set_document(doc)
    doc.set_parser(parser)
    # 提供初始化密码，没有默认为空
    doc.initialize()
    # 检查文档是否可以转成TXT，如果不可以就忽略
    if not doc.is_extractable:
        raise PDFTextExtractionNotAllowed
    else:
        # 创建PDF资源管理器，来管理共享资源
        rsrcmagr = PDFResourceManager()
        # 创建一个PDF设备对象
        laparams = LAParams()
        # 将资源管理器和设备对象聚合
        device = PDFPageAggregator(rsrcmagr, laparams=laparams)
        # 创建一个PDF解释器对象
        interpreter = PDFPageInterpreter(rsrcmagr, device)
        # 循环遍历列表，每次处理一个page内容
        # doc.get_pages()获取page列表
        for page in doc.get_pages():
            interpreter.process_page(page)
            # 接收该页面的LTPage对象
            layout = device.get_result()
            # 这里的layout是一个LTPage对象 里面存放着page解析出来的各种对象
            # 一般包括LTTextBox，LTFigure，LTImage，LTTextBoxHorizontal等等一些对像
            # 想要获取文本就得获取对象的text属性
            for x in layout:
                try:
                    if (isinstance(x, LTTextBoxHorizontal)):
                        with open('%s' % (save_path), 'a') as f:
                            result = x.get_text()
                            print(result)
                            f.write(result + "\n")
                except:
                    print("Failed")

if __name__ == '__main__':
    # 解析同一文件夹下的PDF文件，保存到本地doc文件中
    with open(r'菜鸟小白.pdf', 'rb') as pdf_html:
        parse(pdf_html, r'11.doc')

分析过程

PDF没有WORD、Excel这样简单，可以直接去读取内容，读取PDF文件需要用程序以二进制的方式读取，然后转化成文字。而我们通过pdfminer的转化过程就好比是读取出来具体内容后猜测他们的布局，用于重建文字的结构，但是这个也无法保证100%能够工作。

代码中pdfminer调用的每个函数作用分别为：

DFParser（文档分析器）
PDFDocument（文档对象）
PDFResourceManager（资源管理器）
PDFPageInterpreter（解释器）
PDFPageAggregator（聚合器）
LAParams（参数分析器）

首先我们需要新建一个文档分析器和PDF文档，并且将PDF文档对象和文档分析器关联起来。

	# 用文件对象创建一个PDF文档分析器
    parser = PDFParser(DataIO)
    # 创建一个PDF文档
    doc = PDFDocument()
    # 分析器和文档相互连接
    parser.set_document(doc)
    doc.set_parser(parser)

然后我们新建一个资源管理器和新建一个PDF参数对象

 # 创建PDF资源管理器，来管理共享资源
    rsrcmagr = PDFResourceManager()
    # 创建一个PDF设备对象
    laparams = LAParams()

然后我们新建一个聚合器，用于接收资源管理器和参数对象；创建一个解释器，接收资源管理器和聚合器。

 	# 将资源管理器和设备对象聚合
    device = PDFPageAggregator(rsrcmagr, laparams=laparams)
    # 创建一个PDF解释器对象
    interpreter = PDFPageInterpreter(rsrcmagr, device)

然后使用get_pages()去获取所有的页面，用一个for循环遍历每一个页面，使用interperter页面解释器对页面进行逐一聚合，然后调用聚合器的get_result()获取到layout，layout中的每一个内容，只有文本内容才会被提取出来。

	# 循环遍历列表，每次处理一个page内容
    # doc.get_pages()获取page列表
    for page in doc.get_pages():
        interpreter.process_page(page)
        # 接收该页面的LTPage对象
        layout = device.get_result()
        # 这里的layout是一个LTPage对象 里面存放着page解析出来的各种对象
        # 一般包括LTTextBox，LTFigure，LTImage，LTTextBoxHorizontal等等一些对像
        # 想要获取文本就得获取对象的text属性
        for x in layout:
            try:
                if (isinstance(x, LTTextBoxHorizontal)):
                    with open('%s' % (save_path), 'a') as f:
                        result = x.get_text()
                        print(result)
                        f.write(result + "\n")
            except:
                print("Failed")

荐 媳妇儿让我给她找一个PDF转word免费工具，找了半天我决定给她写一个出来^-^

分析过程

最新实现效果