pdf2docx - pdf 提取内容转 docx

---

一、关于 pdf2docx

---

• github ：https://github.com/ArtifexSoftware/pdf2docx/blob/master/README_CN.md

---

• 基于 PyMuPDF 提取文本、图片、矢量等原始数据
• 基于规则解析章节、段落、表格、图片、文本等布局及样式
• 基于 python-docx 创建Word文档

---

---

主要功能

• 解析和创建页面布局
  • 页边距
  • 章节和分栏 (目前最多支持两栏布局)
  • 页眉和页脚 [TODO]
• 解析和创建段落
  • OCR 文本 [TODO]
  • 水平（从左到右）或竖直（自底向上）方向文本
  • 字体样式例如字体、字号、粗/斜体、颜色
  • 文本样式例如高亮、下划线和删除线
  • 列表样式 [TODO]
  • 外部超链接
  • 段落水平对齐方式 (左/右/居中/分散对齐)及前后间距
• 解析和创建图片
  • 内联图片
  • 灰度/RGB/CMYK等颜色空间图片
  • 带有透明通道图片
  • 浮动图片（衬于文字下方）
• 解析和创建表格
  • 边框样式例如宽度和颜色
  • 单元格背景色
  • 合并单元格
  • 单元格垂直文本
  • 隐藏部分边框线的表格
  • 嵌套表格
• 支持多进程转换

pdf2docx 同时解析出了表格内容和样式，因此也可以作为一个表格内容提取工具。

---

限制

• 目前暂不支持扫描PDF文字识别
• 仅支持从左向右书写的语言（因此不支持阿拉伯语）
• 不支持旋转的文字
• 基于规则的解析无法保证 100%还原PDF样式

---

二、安装

1、 PyPI

$ pip install pdf2docx

---

更新

$ pip install --upgrade pdf2docx

---

2、从remote安装

Install pdf2docx directly from the master branch:

$ pip install git+git://github.com/dothinking/pdf2docx.git@master --upgrade

---

注：这种方式 pdf2docx 的版本可能比 PYPI 高，没有发布

---

3、从源码安装

Clone or download pdf2docx, navigate to the root directory and run:

$ python setup.py install

---

或者，使用开发模式

$ python setup.py develop

---

4、卸载

$ pip uninstall pdf2docx

---

三、转化 PDF

我们可以使用 Converter 类, 或者包装的 parse() 方法，来转化所有/指定的 pdf 页面到 docx。

如果pdf文件包含大量页面，支持多线程处理。

---

例 1: convert all pages

from pdf2docx import Converter

pdf_file = '/path/to/sample.pdf'
docx_file = 'path/to/sample.docx'

# convert pdf to docx
cv = Converter(pdf_file)
cv.convert(docx_file)      # all pages by default
cv.close()

---

或使用 parse 方法:

from pdf2docx import parse

pdf_file = '/path/to/sample.pdf'
docx_file = 'path/to/sample.docx'

# convert pdf to docx
parse(pdf_file, docx_file)

---

例 2: 转换指定页面

• 通过 start（如果省略，则从第一页开始）和 end （如果忽略，则到最后一页）指定页面范围：

  # convert from the second page to the end (by default)
  cv.convert(docx_file, start=1)
  
  # convert from the first page (by default) to the third (end=3, excluded)
  cv.convert(docx_file, end=3)
  
  # convert from the second page and the third
  cv.convert(docx_file, start=1, end=3)
  

---

• 或者，通过 pages 参数设置单独的页面:

  # convert the first, third and 5th pages
  cv.convert(docx_file, pages=[0,2,4])
  

---

注：关于输入参数的详细描述 请参阅convert()。

---

例 3: multi-Processing

使用默认CPU计数启用多处理：

cv.convert(docx_file, multi_processing=True)

---

指定CPU个数：

cv.convert(docx_file, multi_processing=True, cpu_count=4)

---

注：多线程 仅适用于由 start 和 end 指定的连续页面。

---

例 4: 转换加密的pdf

提供 password 参数，打开和转换加密 pdf

cv = Converter(pdf_file, password)
cv.convert(docx_file)
cv.close()

---

四、提取表格

from pdf2docx import Converter

pdf_file = '/path/to/sample.pdf'

cv = Converter(pdf_file)
tables = cv.extract_tables(start=0, end=1)
cv.close()

for table in tables:
    print(table)

---

The output may look like:

...
[['Input ', None, None, None, None, None],
['Description A ', 'mm ', '30.34 ', '35.30 ', '19.30 ', '80.21 '],
['Description B ', '1.00 ', '5.95 ', '6.16 ', '16.48 ', '48.81 '],
['Description C ', '1.00 ', '0.98 ', '0.94 ', '1.03 ', '0.32 '],
['Description D ', 'kg ', '0.84 ', '0.53 ', '0.52 ', '0.33 '],
['Description E ', '1.00 ', '0.15 ', None, None, None],
['Description F ', '1.00 ', '0.86 ', '0.37 ', '0.78 ', '0.01 ']]

---

五、命令行交互

$ pdf2docx --help

NAME
    pdf2docx - Command line interface for pdf2docx.

SYNOPSIS
    pdf2docx COMMAND | -

DESCRIPTION
    Command line interface for pdf2docx.

COMMANDS
    COMMAND is one of the following:

    convert
      Convert pdf file to docx file.

    debug
      Convert one PDF page and plot layout information for debugging.

    table
      Extract table content from pdf pages.

---

1、按页面范围

按--start（如果省略，则从第一页开始）和--end（如果省略，则从最后一页）指定页面范围。

默认情况下，页面索引是基于零的，但可以通过--zero_based_index=False将其关闭，即第一个页面索引从1开始。

---

转换所有页面：

$ pdf2docx convert test.pdf test.docx

---

将页面从第二个转换到结尾：

$ pdf2docx convert test.pdf test.docx --start=1

---

将页面从第一个转换为第三个（index=2）：

$ pdf2docx convert test.pdf test.docx --end=3

---

转换第二页和第三页：

$ pdf2docx convert test.pdf test.docx --start=1 --end=3

---

使用零基索引转换第一页和第二页，关闭：

$ pdf2docx convert test.pdf test.docx --start=1 --end=3 --zero_based_index=False

---

2、按页码

转换第一页、第三页和第五页：

$ pdf2docx convert test.pdf test.docx --pages=0,2,4

---

3、Multi-Processing

使用默认的CPU计数打开多处理：

$ pdf2docx convert test.pdf test.docx --multi_processing=True

---

指定CPU的计数：

$ pdf2docx convert test.pdf test.docx --multi_processing=True --cpu_count=4

---

六、图形界面

Thanks @JoHnTsIm providing a tkinter based user interface.

To launch the GUI:

$ pdf2docx gui

---

---

七、Technical Documentation

PDF文件遵循一定的格式规范，PyMuPDF 提供了便利的解析函数， 用于获取页面元素例如文本和形状及其位置。然后，基于元素间的相对位置关系解析内容，例如将“横纵线条 围绕着文本”解析为“表格”，将“文本下方的一条横线”解析为“文本下划线”。最后，借助 python-docx 将解析结果重建为docx格式的Word文档。

以下分篇介绍提取PDF页面数据、解析和重建docx过程中的具体细节：

• 提取文本图片和形状
• 解析页面布局
• 解析表格
• 解析段落

---

2024-07-19