」閱讀此篇需要三分鐘「
首先來看看來個PDF文件
我們來選擇其中一個論文摘要
|
|
V
使用我們的python代碼轉化後：
是不是很神奇？
現在網絡上大部分的PDF轉Word都是收費的，基本都是按頁收費，有了我們的python代碼後，我們就可以完全免費的將PDF轉成Word了，這麼好的福利我們趕緊來了解一下吧！
首先來看看我們要安裝一些什麼模塊：
attrs==17.4.0
lxml==4.1.1
pdfminer3k==1.3.1
pluggy==0.6.0
ply==3.11
py==1.5.2
pytest==3.4.1
python-docx==0.8.6
six==1.11.0
使用pip模塊管理工具即可安裝。
如上圖，將每個模塊都安裝好。
或者直接將模塊放到requirements.txt文件裡，運行
pip install -r requirements
安裝即可
下一步就來開始coding了！
首先導入需要使用的模塊：
import os
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
然後定義好PDF文件的讀取路徑和Word文件的生成路徑。
pdf_folder = r'/Users/wuyuqing/Desktop/Code/pdf2word/pdf'
word_folder = r'/Users/wuyuqing/Desktop/Code/pdf2word/word'
接下來我們定義使用的方法：
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
通過字節流的方式打開文件，讀取內容。我們主要使用process_pdf這個函數處理pdf，詳情處理步驟我們可以看看API是這麼處理的（這API寫好的代碼，供參考，不需要你再次手寫）：
def process_pdf(rsrcmgr, device, fp, pagenos=None, maxpages=0, password='',
caching=True, check_extractable=True):
# Create a PDF parser object associated with the file object.
parser = PDFParser(fp)
# Create a PDF document object that stores the document structure.
doc = PDFDocument(caching=caching)
# Connect the parser and document objects.
parser.set_document(doc)
doc.set_parser(parser)
# Supply the document password for initialization.
# (If no password is set, give an empty string.)
doc.initialize(password)
# Check if the document allows text extraction. If not, abort.
if check_extractable and not doc.is_extractable:
raise PDFTextExtractionNotAllowed(
'Text extraction is not allowed: %r' % fp)
# Create a PDF interpreter object.下面我們考慮將字節流存成docx文檔：
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)
# 將兩個函數封裝起來
def pdf_to_word(pdf_file_path, word_file_path):
content = read_from_pdf(pdf_file_path)主要功能完成，這樣就算完工了
下面我們來調用讀取pdf生成docx的方法
tasks = []
with ProcessPoolExecutor(max_workers=5) as executor:
for file in os.listdir(pdf_folder):
extension_name = os.path.splitext(file)[1]
if extension_name != '.pdf':
continue
file_name = os.path.splitext(file)[0]
pdf_file = pdf_folder + '/' + file
word_file = word_folder + '/' + file_name + '.docx'
print('正在處理: ', 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)
這樣就可以生成doc文件了，怎麼樣是不是很簡單？
你也來動手試一試？
完整代碼請點擊閱讀原文