python将pdf文件转word

pdf转word

前言

今天有朋友让我帮忙将pdf转为word，我首先想到的就是python，经过一顿搜索，最终决定采用pdf2docx的方案，然而实际操作的时候踩了坑，所以就先找了在线工具给搞了，但是我是一个有坑必填（有征服欲🤪）的coder，于是在帮完朋友的忙之后，又去捣鼓pdf2docx这个工具，当然最后顺利填坑，解决了问题，下面让我们一起来看看吧。

pdf2docx

pdf2docx是一个开源的三方库，它可以将pdf文件转为word，目前仅支持文字版的pdf，扫描版的pdf转了之后依然还是图片。

环境准备

安装pdf20docx

  pip install pdf2docx -i  https://pypi.tuna.tsinghua.edu.cn/simple 

这里有个坑，pdf2docx依赖了python-docx，然鹅，最新的python-docx的包路径发生了变化，导致在pdf2docx导包时会报错：

  Traceback (most recent call last):
File "D:\workspace\learning\python-script\pdf2wod.py", line 2, in <module>
  from pdf2docx import parse
File "D:\workspace\dev-tools\python\python39\lib\site-packages\pdf2docx\__init__.py", line 1, in <module>
  from .converter import Converter
File "D:\workspace\dev-tools\python\python39\lib\site-packages\pdf2docx\converter.py", line 9, in <module>
  from .page.Page import Page
File "D:\workspace\dev-tools\python\python39\lib\site-packages\pdf2docx\page\Page.py", line 47, in <module>
  from ..layout.Sections import Sections
File "D:\workspace\dev-tools\python\python39\lib\site-packages\pdf2docx\layout\Sections.py", line 9, in <module>
  from ..common.docx import reset_paragraph_format
File "D:\workspace\dev-tools\python\python39\lib\site-packages\pdf2docx\common\docx.py", line 7, in <module>
  from docx.oxml import OxmlElement, parse_xml, register_element_cls
ImportError: cannot import name 'OxmlElement' from 'docx.oxml' (D:\workspace\dev-tools\python\python39\lib\site-packages\docx\oxml\__init__.py)

报错截图：

最终解决方法时，修改报错文件的源码：

搜了很多文档都么解决问题，最终我还专门下载了python-docx的源码，然后很幸运地找到了问题：

我也给pdf2docx提了pr，不知道是否会被通过合并：

编写代码

# 导入pdf2docx模块
from pdf2docx import parse

pdf_file = 'myfile.pdf'

docx_file = 'myfile.docx'

# convert pdf to docx

parse(pdf_file, docx_file)

经过测试，效果还不错：

刚开始我以为扫描的pdf也可以转，控制台的警告是不是忘改了，文档可能也没更新

转word之后的效果看着效果还不错，然而当我把修改word文件的时候，发现这个pdf每个文字都是个小图片，怪不得标点符号看着这么奇怪：

而且扫描的pdf转word会比较慢

结语

今天的内容没有什么好总结的，下面我分享一些比较常用的python代码：

pdf文件合并：

需要安装PyPDF2库

import PyPDF2

local = './'
pdf_files = ['1.pdf', '2.pdf']


output_pdf = PyPDF2.PdfWriter()
for pdf_file in pdf_files:
    # 循环读取需要合并pdf文件
    with open(local+pdf_file, 'rb') as file:
        pdf_reader = PyPDF2.PdfReader(file)
    # 遍历每个pdf的每一页
        for page_num in range(len(pdf_reader.pages)):
            page = pdf_reader.pages[page_num]
            if pdf_file == '1.pdf':
                # 旋转90度
                page.rotate(90)
            output_pdf.add_page(page)
            
with open(local+'装修图2.pdf', 'wb') as file:
    output_pdf.write(file)

pdf转图片，每页一个图片

需要安装pymupdf库

# coding=utf-8
#安装库 pip install pymupdf
import fitz
import os

def convert_pdf2img(file_relative_path):
    """
    file_relative_path : 文件相对路径
    """
    page_num = 1
    filename = file_relative_path.split('.')[-2]
    if not os.path.exists(filename):
        os.makedirs(filename)
    pdf = fitz.open(file_relative_path)
    for page in pdf:
        rotate = int(0)
        # 每个尺寸的缩放系数为2，这将为我们生成分辨率提高4的图像。
        # 此处若是不做设置，默认图片大小为：792X612, dpi=96
        zoom_x = 2 # (2-->1584x1224)
        zoom_y = 2
        mat = fitz.Matrix(zoom_x, zoom_y)
        pixmap = page.get_pixmap(matrix=mat, alpha=False)
        pixmap.pil_save(f"{filename}/{page_num}.png")
        print(f"{filename}.pdf 第{page_num}页保存图片完成")
        page_num = page_num + 1

if __name__ =="__main__":
    # 文件夹中文件名
    file_list = os.listdir('./')
    for file in file_list:
        #print(file)
        if os.path.isfile(file) and file.endswith('.pdf'):
            convert_pdf2img(file)

csv转excel

需要安装openpyxl库

import os, csv, sys, openpyxl
from openpyxl import load_workbook
from openpyxl import Workbook
from openpyxl.utils import get_column_letter


#Open an xlsx for reading
wb = load_workbook('Test.xlsx')
ws = wb.get_sheet_by_name("Sheet1")

dest_filename = "Test_NEW.xlsx"
csv_filename = "hsay_20221104.csv"

#Copy in csv
f = open(csv_filename, encoding='utf-8')
reader = csv.reader(f)
for row_index, row in enumerate(reader):
    for column_index, cell in enumerate(row):
        column_letter = get_column_letter((column_index + 1))
        ws.cell(row_index + 1, (column_index + 1)).value = cell
    print(f'line:{row_index+1}')

wb.save(filename = dest_filename)

print("new Cashflow created")