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^-^

​ 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, PDFDocumentfrom pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreterfrom pdfminer.converter import PDFPageAggregatorfrom pdfminer.layout import LTTextBoxHorizontal, LAParamsfrom 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")

最新实现效果

 

原始的PDF文档

转化后的word文档

缺陷

当前的代码仅能实现文字的提取，无法提取图片。后面我们再看看能否将图片也一起提取出来，有厉害的小伙伴也可以私信我。

---

最后我把这个从程序打包成了一个exe文件，只需要将你想要转化的PDF文档和exe文件放在同一个文件夹内就可以双击执行转化了。有需要的小伙伴可以私信菜鸟小白"PDFtoWORD"获取下载链接。