摘要：雖然現(xiàn)在市面上有很多轉(zhuǎn)軟件，比如，但大多數(shù)的軟件是要收費(fèi)的，并且價(jià)格不菲。于是乎我就想到了利用來寫個(gè)程序，把轉(zhuǎn)成文檔。具體的程序邏輯，可以去查看原文。本文首發(fā)于公眾號癡海，每天分享干貨，后臺回復(fù)，領(lǐng)取最新教程。

閱讀文本大概需要 6 分鐘。

現(xiàn)在網(wǎng)上有很多文檔是 pdf 格式，雖然這個(gè)格式閱讀起來很方便，并且里面的內(nèi)容不會亂掉，但相應(yīng)的我們就無法修改里面的內(nèi)容。雖然現(xiàn)在市面上有很多 pdf 轉(zhuǎn) word 軟件，比如 wps，但大多數(shù)的軟件是要收費(fèi)的，并且價(jià)格不菲。

前些天就有人叫我?guī)退?pdf 文檔轉(zhuǎn)成 word 的文檔。因?yàn)?pdf 文檔里面的內(nèi)容有很多，如果全部打印的話，費(fèi)用還是挺高的。所以她想把里面的內(nèi)容格式修改下，比如行間距，字間距等等。通過這樣的修改，可以把文檔的頁數(shù)減少很多，這樣就省下不少的錢。

于是乎我就想到了利用 python 來寫個(gè)程序，把 pdf 轉(zhuǎn)成 word 文檔。秉承著不要重復(fù)造輪子的想法，我首先在網(wǎng)上搜索了下。果然已經(jīng)有人寫好了，我們直接拿來用就行。程序一共只有 60 行代碼，使用也非常的簡單，

程序源代碼

import?os
from?configparser?import?ConfigParser
from?io?import?StringIO
from?io?import?open
from?concurrent.futures?import?ProcessPoolExecutor

from?pdfminer.pdfinterp?import?PDFResourceManager
from?pdfminer.pdfinterp?import?process_pdf
from?pdfminer.converter?import?TextConverter
from?pdfminer.layout?import?LAParams
from?docx?import?Document

def?read_from_pdf(file_path):
????with?open(file_path,?"rb")?as?file:
????????resource_manager?=?PDFResourceManager()
????????return_str?=?StringIO()
????????lap_params?=?LAParams()

????????device?=?TextConverter(
????????????resource_manager,?return_str,?laparams=lap_params)
????????process_pdf(resource_manager,?device,?file)
????????device.close()

????????content?=?return_str.getvalue()
????????return_str.close()
????????return?content

def?save_text_to_word(content,?file_path):
????doc?=?Document()
????for?line?in?content.split("
"):
????????paragraph?=?doc.add_paragraph()
????????paragraph.add_run(remove_control_characters(line))
????doc.save(file_path)

def?remove_control_characters(content):
????mpa?=?dict.fromkeys(range(32))
????return?content.translate(mpa)

def?pdf_to_word(pdf_file_path,?word_file_path):
????content?=?read_from_pdf(pdf_file_path)
????save_text_to_word(content,?word_file_path)

def?main():
????config_parser?=?ConfigParser()
????config_parser.read("config.cfg")
????config?=?config_parser["default"]

????tasks?=?[]
????with?ProcessPoolExecutor(max_workers=int(config["max_worker"]))?as?executor:
????????for?file?in?os.listdir(config["pdf_folder"]):
????????????extension_name?=?os.path.splitext(file)[1]
????????????if?extension_name?!=?".pdf":
????????????????continue
????????????file_name?=?os.path.splitext(file)[0]
????????????pdf_file?=?config["pdf_folder"]?+?"/"?+?file
????????????word_file?=?config["word_folder"]?+?"/"?+?file_name?+?".docx"
????????????print("正在處理:?",?file)
????????????result?=?executor.submit(pdf_to_word,?pdf_file,?word_file)
????????????tasks.append(result)
????while?True:
????????exit_flag?=?True
????????for?task?in?tasks:
????????????if?not?task.done():
????????????????exit_flag?=?False
????????if?exit_flag:
????????????print("完成")
????????????exit(0)

if?__name__?==?"__main__":
????main()

首先去 github 上把項(xiàng)目 clone 或下載項(xiàng)目到本地.

github : https://github.com/python-fan...

git?clone?git@github.com:simpleapples/pdf2word.git

然后進(jìn)入項(xiàng)目目錄，建立虛擬環(huán)境，并安裝依賴。

pip?install?-r?requirements.txt

最后修改 config.cfg 文件，指定存放 pdf 和 word 文件的文件夾，以及同時(shí)工作的進(jìn)程數(shù)，就可以執(zhí)行 python main.py。

具體的程序邏輯，可以去查看原文。作者都分析的很詳細(xì)。

https://zhuanlan.zhihu.com/p/...。

本文首發(fā)于公眾號「癡海」，每天分享 Python 干貨，后臺回復(fù)「1024」，領(lǐng)取 2018 最新 Python 教程。