使用Python批量将PDF转Word

简述

        以下全部代码无法完美对图片、表格等非文字形式的内容转化。要较好的效果需要使用光学字符分析等方法进行转化

        我懒，不想将代码模块拆分出来写注释

        除代码1中有详细注释外，剩下的代码仅在关键部分进行注释

代码1：小规模文件的转换

代码简介

        不使用线程，挨个文件转换格式。

        适用于小规模的PDF文件批量转换。

        需要自己选择PDF文件（可以全选文件，自动筛选PDF格式）

代码内容

import os, sys  # 导入操作系统接口和系统相关的参数和函数
from pdf2docx import Converter  # 导入pdf2docx库中的Converter类，用于将PDF文件转换为docx格式

import tkinter as tk  # 导入Tkinter库，用于创建图形用户界面
from tkinter import filedialog  # 导入Tkinter库中的filedialog模块，用于打开文件对话框

# 定义一个函数，用于将PDF文件转换为docx格式
def convert_pdf_to_docx(file_path):
    if os.path.splitext(file_path)[1] == '.pdf':  # 检查文件的扩展名是否为.pdf
        pdf_filename = os.path.basename(file_path)  # 从file_path中提取出文件名（不含路径）
        word_name = os.path.splitext(pdf_filename)[0] + ".docx"  # 创建新的文件名，将.docx作为扩展名

        cv = Converter(pdf_filename)  # 创建一个Converter对象，用于转换文件
        cv.convert(word_name)  # 调用convert方法，将PDF文件转换为docx格式，并将转换后的文件保存为word_name
        cv.close()  # 关闭转换器对象

        print(f"**{pdf_filename}**处理完成")  # 打印转换完成的信息

# 创建一个Tkinter窗口，但不显示它
root = tk.Tk()
root.withdraw()

# 使用filedialog模块打开一个文件选择对话框，允许用户选择多个文件
file_paths = filedialog.askopenfilenames(title="选择需要处理的文件")
if len(file_paths) == 0:  # 如果没有选择文件，退出程序
    sys.exit()
else:
    print("待处理文件:")  # 打印提示信息
    for file_path in file_paths:  # 遍历所有选择的文件路径
        print("  ", file_path)  # 打印每个文件的路径


# 遍历所有选择的文件路径，并调用convert_pdf_to_docx函数进行转换
for file_path in file_paths:
    convert_pdf_to_docx(file_path)

print("全部PDF转换完成")  # 打印所有PDF文件转换完成的信息

功能的执行

选择需要转换的文件

选择你需要转换的文件，可以直接全选

一次只能转换一个文件夹中的全部文件，无法进入到该文件夹的次级文件夹中

开始转换文件

请注意终端信息窗口，会提示转换进度

转换完成

转换效果：

代码2：较大规模文件的转换

更新功能

1.使用多线程模式，一个文件一条线程的转换文件

2.增加时间计算，统计转换文件需要多少时间，方便后继继续优化提高转换速度

详细代码

import os
import sys
from pdf2docx import Converter
import tkinter as tk
from tkinter import filedialog
import threading
import time

# 定义一个函数，用于将PDF文件转换为docx格式
def convert_pdf_to_docx(file_path):
    try:
        if os.path.splitext(file_path)[1] == '.pdf':
            #pdf_filename = os.path.basename(file_path)
            #word_name = os.path.splitext(pdf_filename)[0] + ".docx"
            cv = Converter(file_path)
            cv.convert(os.path.splitext(os.path.basename(file_path))[0] + ".docx")
            cv.close()
    except Exception as e:
        print(f"转换 {os.path.basename(file_path)} 时发生错误: {e}")

# 创建一个Tkinter窗口，但不显示它
root = tk.Tk()
root.withdraw()

# 使用filedialog模块打开一个文件选择对话框，允许用户选择多个文件
file_paths = filedialog.askopenfilenames(title="选择需要处理的文件")
if not file_paths:
    sys.exit("没有选择文件，操作取消。")


# 打印待处理的文件
print("待处理文件:")
for file_path in file_paths:
    print("  ", file_path)

# 创建一个线程列表用于存储所有的转换线程
threads = []

# 遍历所有选择的文件路径，并创建转换线程
for file_path in file_paths:
    thread = threading.Thread(target=convert_pdf_to_docx, args=(file_path,))
    threads.append(thread)

# 记录开始时间
start_time = time.time()

# 启动所有的转换线程
for thread in threads:
    thread.start()

# 等待所有的转换线程完成
for thread in threads:
    time.sleep(0.1)# 暂停程序1毫秒
    thread.join()

# 记录结束时间
end_time = time.time()

# 计算并打印转换完成所需的总时间
total_time = end_time - start_time
print(f"所有文件转换完成，总共耗时: {total_time:.2f} 秒。")

代码3：超大规模文件的转换

功能的更新

1.引入线程池，控制程序消耗的系统资源

详细代码

import os
import logging
from tkinter import Tk, filedialog
from concurrent.futures import ThreadPoolExecutor, as_completed
from pdf2docx import Converter

# 配置日志格式和级别
logging.basicConfig(level=logging.INFO, format='%(levelname)s: %(message)s')

# 定义一个函数来处理单个PDF文件的转换
def process_pdf_file(pdf_path):
    try:
        pdf_dir = os.path.dirname(pdf_path)
        file_name = os.path.splitext(os.path.basename(pdf_path))[0]
        docx_path = os.path.join(pdf_dir, f"{file_name}.docx")
        
        # 转换PDF到Word
        cv = Converter(pdf_path)
        cv.convert(docx_path, start=0, end=None)
        cv.close()
        
        # 记录文件保存的信息
        logging.info(f"Converted file saved to {docx_path}")
    except Exception as e:
        # 如果发生错误，记录错误信息而不是转换成功信息
        logging.error(f"Error processing file {pdf_path}: {e}")

# 创建主窗口
root = Tk()
root.withdraw()  # 隐藏主界面

# 选择PDF文件
pdf_paths = filedialog.askopenfilenames(title="选择PDF文件", filetypes=[("PDF files", "*.pdf")])

if pdf_paths:
    # 创建一个线程池，限制线程数量为CPU核心数
    with ThreadPoolExecutor(max_workers=os.cpu_count()*2) as executor:
        # 将任务提交到线程池
        futures = [executor.submit(process_pdf_file, pdf_path) for pdf_path in pdf_paths]
        
        # 使用as_completed迭代器等待所有任务完成
        for future in as_completed(futures):
            future.result()
            if future.exception() is not None:
                logging.error(f"An error occurred: {future.exception()}")
            else:
                logging.info(f"File processed successfully: {future.result()}")

    # 所有文件处理完成后，关闭窗口并退出程序
    root.destroy()
else:
    logging.info("没有选择PDF文件。")

代码4：超快速PDF文件转换

功能更新

只转换文字，对任何图片表格会出现问题

详细代码

import os
import logging
from tkinter import Tk, filedialog
from concurrent.futures import ThreadPoolExecutor, as_completed
import fitz  # PyMuPDF

# 配置日志格式和级别
logging.basicConfig(level=logging.INFO, format='%(levelname)s: %(message)s')

# 定义一个函数来处理单个PDF文件的转换
def process_pdf_file(pdf_path):
    try:
        pdf_dir = os.path.dirname(pdf_path)
        file_name = os.path.splitext(os.path.basename(pdf_path))[0]
        docx_path = os.path.join(pdf_dir, f"{file_name}.docx")
        
        # 使用PyMuPDF读取PDF内容
        pdf = fitz.open(pdf_path)
        text = ""
        for page in pdf:
            text += page.get_text()
        
        pdf.close()
        
        # 将文本写入Word文档（这里需要一个将文本转换为docx格式的函数）
        with open(docx_path, 'w', encoding='utf-8') as f:
            f.write(text)
        
        # 记录文件保存的信息
        logging.info(f"Converted file saved to {docx_path}")
    except Exception as e:
        # 如果发生错误，记录错误信息而不是转换成功信息
        logging.error(f"Error processing file {pdf_path}: {e}")

# 创建主窗口
root = Tk()
root.withdraw()  # 隐藏主窗口

# 选择PDF文件
pdf_paths = filedialog.askopenfilenames(title="选择PDF文件", filetypes=[("PDF files", "*.pdf")])

if pdf_paths:
    # 创建一个线程池
    with ThreadPoolExecutor(max_workers=min(len(pdf_paths), os.cpu_count())) as executor:
        # 将任务提交到线程池
        futures = [executor.submit(process_pdf_file, pdf_path) for pdf_path in pdf_paths]
        
        # 等待所有任务完成
        for future in as_completed(futures):
            future.result()

    # 所有文件处理完成后，关闭窗口并退出程序
    root.destroy()
else:
    logging.info("没有选择PDF文件。")

批量删除文件夹内的全部word：使用Python批量删除文件夹内的Word-CSDN博客

程序打包方式见我的这个文章：在Vscode中将python打包为exe，超级简单，还能自定义exe的logo_怎么将vscode编写的代码打包成exe-CSDN博客