? 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 PDFTextExtractionNotAllowedelse:# 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。
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^-^
原文：https://www.cnblogs.com/cainiaoxiaobaidexuexifenxiang/p/13288268.html