​之前我媳婦兒讓我給她找一個PDF轉WORD的免費工具，在網上找了半天發現要不就是收費，要不就是轉化的格式混亂。既然網上不能找到好用的免費工具那就直接來寫一個吧。人生苦短，我用python。

萬能的python肯定應該有關於這個第三方庫，百度了一下果不其然——PDFminer3k（如果你用的是python2的話那你應該使用的是pdfminer）。

我們先上程式碼然後再分析吧。

# -*- coding:utf-8 -*-#author:菜鳥小白的學習分享from pdfminer.pdfparser import PDFParser, PDFDocumentfrom pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
 
from pdfminer.converter import PDFPageAggregatorfrom pdfminer.layout import LTTextBoxHorizontal, LAParamsfrom pdfminer.pdfinterp import PDFTextExtractionNotAllowed​def parse(DataIO, save_path):    # 用檔案物件建立一個PDF文件分析器    parser = PDFParser(DataIO)    # 建立一個PDF文件    doc = PDFDocument()    # 分析器和文件相互連線
 
    parser.set_document(doc)    doc.set_parser(parser)    # 提供初始化密碼，沒有預設為空    doc.initialize()    # 檢查文件是否可以轉成TXT，如果不可以就忽略    if not doc.is_extractable:        raise PDFTextExtractionNotAllowed    else:        # 建立PDF資源管理器，來管理共享資源        rsrcmagr = PDFResourceManager()        # 建立一個PDF裝置物件        laparams = LAParams()
 
        # 將資源管理器和裝置物件聚合        device = PDFPageAggregator(rsrcmagr, laparams=laparams)        # 建立一個PDF直譯器物件        interpreter = PDFPageInterpreter(rsrcmagr, device)        # 迴圈遍歷列表，每次處理一個page內容        # doc.get_pages()獲取page列表        for page in doc.get_pages():            interpreter.process_page(page)            # 接收該頁面的LTPage物件            layout = device.get_result()            # 這裡的layout是一個LTPage物件 裡面存放著page解析出來的各種物件            # 一般包括LTTextBox，LTFigure，LTImage，LTTextBoxHorizontal等等一些對像            # 想要獲取文字就得獲取物件的text屬性            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__':#解析同一資料夾下的PDF檔案，儲存到本地doc檔案中    with open(r'菜鳥小白.pdf', 'rb') as pdf_html:parse(pdf_html,r'11.doc')

分析過程

PDF沒有WORD、Excel這樣簡單，可以直接去讀取內容，讀取PDF檔案需要用程式以二進位制的方式讀取，然後轉化成文字。而我們通過pdfminer的轉化過程就好比是讀取出來具體內容後猜測他們的佈局，用於重建文字的結構，但是這個也無法保證100%能夠工作。

程式碼中pdfminer呼叫的每個函式作用分別為：

• DFParser（文件分析器）

• PDFDocument（文件物件）

• PDFResourceManager（資源管理器）

• PDFPageInterpreter（直譯器）

• PDFPageAggregator（聚合器）

• LAParams（引數分析器）

首先我們需要新建一個文件分析器和PDF文件，並且將PDF文件物件和文件分析器關聯起來。

 # 用檔案物件建立一個PDF文件分析器    parser = PDFParser(DataIO)    # 建立一個PDF文件    doc = PDFDocument()    # 分析器和文件相互連線    parser.set_document(doc)    doc.set_parser(parser)

然後我們新建一個資源管理器和新建一個PDF引數物件

        # 建立PDF資源管理器，來管理共享資源        rsrcmagr = PDFResourceManager()        # 建立一個PDF裝置物件        laparams = LAParams()

然後我們新建一個聚合器，用於接收資源管理器和引數物件；建立一個直譯器，接收資源管理器和聚合器。

        # 將資源管理器和裝置物件聚合        device = PDFPageAggregator(rsrcmagr, laparams=laparams)        # 建立一個PDF直譯器物件        interpreter = PDFPageInterpreter(rsrcmagr, device)

然後使用get_pages()去獲取所有的頁面，用一個for迴圈遍歷每一個頁面，使用interperter頁面直譯器對頁面進行逐一聚合，然後呼叫聚合器的get_result()獲取到layout，layout中的每一個內容，只有文字內容才會被提取出來。

        # 迴圈遍歷列表，每次處理一個page內容        # doc.get_pages()獲取page列表        for page in doc.get_pages():            interpreter.process_page(page)            # 接收該頁面的LTPage物件            layout = device.get_result()            # 這裡的layout是一個LTPage物件 裡面存放著page解析出來的各種物件            # 一般包括LTTextBox，LTFigure，LTImage，LTTextBoxHorizontal等等一些對像            # 想要獲取文字就得獲取物件的text屬性            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")

最新實現效果

原始的PDF文件

轉化後的word文件

缺陷

當前的程式碼僅能實現文字的提取，無法提取圖片。後面我們再看看能否將圖片也一起提取出來，有厲害的小夥伴也可以私信我。

最後我把這個從程式打包成了一個exe檔案，只需要將你想要轉化的PDF文件和exe檔案放在同一個資料夾內就可以雙擊執行轉化了。有需要的小夥伴可以私信菜鳥小白"PDFtoWORD"獲取下載連結。