Python实现PDF转换文件格式
最近工作中经常遇到收到其他人提供的pdf文档，想要编辑修改下或者复制部分内容比较困难，想通过现有的pdf工具软件转换文档格式，基本都要充钱，为了免费实现pdf转换工具，网上查了下相关技术方案，整理了下代码，测试真实有效，分享下。
第一步，安装相关第三方库
pip install PyMuPDF -i https://mirrors.aliyun.com/pypi/simple
pip install pdf2docx -i https://mirrors.aliyun.com/pypi/simple
第二步，编写代码
pdfConverter.py:
import datetime import os # fitz就是pip install PyMuPDF import fitz # pdf2docx 也是封装 fitz 模块为基础开发的 from pdf2docx import Converter ''' pdf 转换工具包 pdf 转成 word pdf 转成 图片 pdf 转成 html ''' def pdf2word(file_path): ''' @方法名称: pdf转word @中文注释: pdf转word @入参: @param file_path str pdf文件路径 @出参: @返回状态: @return 0 失败或异常 @return 1 成功 @返回错误码 @返回错误信息 @param doc_file str word文件名 @作 者: PandaCode辉 @创建时间: 2023-10-16 @使用范例: pdf2word('test.pdf') ''' try: if (not type(file_path) is str): return [0, "111111", "pdf文件路径参数类型错误,不为字符串", [None]] # 开始时间 startTime = datetime.datetime.now() # 提取文件名，去除文件后缀 file_name = file_path.split('.')[0] print(file_name) # word文件名 doc_file = f'{file_name}.docx' print(doc_file) p2w = Converter(file_path) ''' convert(doc_file,start,end)函数中 doc_file：转化完成后文件名 start：转化开始页面 end：转化结束页面 注意点： ①若不给start，end参数则默认转化全篇 ②对于不连续的页面，也可写作convert(doc_file , pages = [2,4,6]) ''' p2w.convert(doc_file, start=0, end=None) p2w.close() endTime = datetime.datetime.now() # 结束时间 print('pdf转word耗时： %s 秒' % (endTime - startTime).seconds) print("pdf转word成功") # 返回容器 return [1, '000000', 'pdf转word成功', [doc_file]] except Exception as e: p2w.close() print("pdf转word异常," + str(e)) return [0, '999999', "pdf转word异常," + str(e), [None]] def pdf2image(file_path, image_path): ''' @方法名称: pdf转图片 @中文注释: pdf转图片 @入参: @param file_path str pdf文件路径 @param image_path str 输出图片路径 @出参: @返回状态: @return 0 失败或异常 @return 1 成功 @返回错误码 @返回错误信息 @param image_path str 输出图片路径 @作 者: PandaCode辉 @创建时间: 2023-10-16 @使用范例: pdf2image('test.pdf', './images') ''' try: if (not type(file_path) is str): return [0, "111111", "pdf文件路径参数类型错误,不为字符串", [None]] if (not type(image_path) is str): return [0, "111112", "输出图片路径参数类型错误,不为字符串", [None]] # 开始时间 startTime = datetime.datetime.now() print("pdfPath=" + file_path) # 提取文件名，去除文件后缀 file_name = file_path.split('.')[0] print(file_name) print("imagePath=" + imagePath) # 打开pdf文档 pdfDoc = fitz.open(file_path) # 判断存放图片的文件夹是否存在 if not os.path.exists(image_path): # 若图片文件夹不存在就创建 os.makedirs(image_path) # Document.page_count 页数 (int) # 循环页数 for pg in range(pdfDoc.page_count): print('=======%s========' % (pg + 1)) ''' 页面(Page)处理是MuPDF功能的核心。 您可以将页面呈现为光栅或矢量（SVG）图像，可以选择缩放、旋转、移动或剪切页面。 您可以提取多种格式的页面文本和图像，并搜索文本字符串。 对于PDF文档，可以使用更多的方法向页面添加文本或图像。 ''' page = pdfDoc[pg] rotate = int(0) # 每个尺寸的缩放系数为1.3，这将为我们生成分辨率提高2.6的图像。 # 此处若是不做设置，默认图片大小为：792X612, dpi=96 zoom_x = 1.33333333 # (1.33333333-->1056x816) (2-->1584x1224) zoom_y = 1.33333333 mat = fitz.Matrix(zoom_x, zoom_y).prerotate(rotate) ''' pix是一个Pixmap对象，它（在本例中）包含页面的RGB图像，可用于多种用途。 方法Page.get_pixmap()提供了许多用于控制图像的变体：分辨率、颜色空间（例如，生成灰度图像或具有减色方案的图像）、 透明度、旋转、镜像、移位、剪切等。 例如：创建RGBA图像（即，包含alpha通道），指定pix=page.get_pixmap（alpha=True）。 Pixmap包含以下引用的许多方法和属性。其中包括整数宽度、高度（每个像素）和跨距（一个水平图像行的字节数）。 属性示例表示表示图像数据的矩形字节区域（Python字节对象）。 还可以使用page.get_svg_image()创建页面的矢量图像。 ''' pix = page.get_pixmap(matrix=mat, alpha=False) # 将图片写入指定的文件夹内 pix.save(image_path + '/' + file_name + '_%s.png' % (pg + 1)) endTime = datetime.datetime.now() # 结束时间 print('pdf转图片耗时： %s 秒' % (endTime - startTime).seconds) print("pdf转图片成功") # 返回容器 return [1, '000000', '"pdf转图片成功', [image_path]] except Exception as e: print("pdf转图片异常," + str(e)) return [0, '999999', "pdf转图片异常," + str(e), [None]] def pdf2html(file_path): ''' @方法名称: pdf转html @中文注释: pdf转html @入参: @param file_path str pdf文件路径 @出参: @返回状态: @return 0 失败或异常 @return 1 成功 @返回错误码 @返回错误信息 @param out_file str html文件名 @作 者: PandaCode辉 @创建时间: 2023-10-16 @使用范例: pdf2html('test.pdf') ''' try: if (not type(file_path) is str): return [0, "111111", "pdf文件路径参数类型错误,不为字符串", [None]] # 开始时间 startTime = datetime.datetime.now() print("pdfPath=" + pdfPath) # 打开pdf文档 pdfDoc = fitz.open(pdfPath) # 提取文件名，去除文件后缀 file_name = pdfPath.split('.')[0] print(file_name) out_file = f'{file_name}.html' print(out_file) # 打开文件，首次创建写入 fo = open(out_file, "w+", encoding="utf-8") # Document.page_count 页数 (int) # 循环页数 for pg in range(pdfDoc.page_count): print('=======%s========' % (pg + 1)) ''' 页面(Page)处理是MuPDF功能的核心。 您可以将页面呈现为光栅或矢量（SVG）图像，可以选择缩放、旋转、移动或剪切页面。 您可以提取多种格式的页面文本和图像，并搜索文本字符串。 对于PDF文档，可以使用更多的方法向页面添加文本或图像。 ''' page = pdfDoc[pg] ''' 提取文本和图像 page.get_text(opt) 我们还可以以多种不同的形式和细节级别提取页面的所有文本、图像和其他信息： 对opt使用以下字符串之一以获取不同的格式： "text"：（默认）带换行符的纯文本。无格式、无文字位置详细信息、无图像 "blocks"：生成文本块（段落）的列表 "words"：生成单词列表（不包含空格的字符串） "html"：创建页面的完整视觉版本，包括任何图像。这可以通过internet浏览器显示 "dict" / "json"：与HTML相同的信息级别，但作为Python字典或resp.JSON字符串。 "rawdict" / "rawjson"："dict" / "json" 的超级集合。它还提供诸如XML之类的字符详细信息。 "xhtml"：文本信息级别与文本版本相同，但包含图像。 "xml"：不包含图像，但包含每个文本字符的完整位置和字体信息。使用XML模块进行解释 ''' # html 格式保存原PDF文本和图片样式还行 # text = page.get_text('html') # xhtml 格式保存原PDF文本和图片样式更好 text = page.get_text('xhtml') # 写入文件 fo.write(text) # 关闭文件 fo.close() endTime = datetime.datetime.now() # 结束时间 print('pdf转html耗时： %s 秒' % (endTime - startTime).seconds) print("pdf转html成功") # 返回容器 return [1, '000000', '"pdf转html成功', [out_file]] except Exception as e: # 关闭文件 fo.close() print("pdf转html异常," + str(e)) return [0, '999999', "pdf转html异常," + str(e), [None]] if __name__ == "__main__": # PDF地址 pdfPath = 'test.pdf' # 1，pdf转word pdf2word(pdfPath) # 储存图片的目录 imagePath = './images' # 2，pdf转图片 pdf2image(pdfPath, imagePath) # 3，pdf转html pdf2html(pdfPath)
第三步，运行查看效果
