博客

前言：

可将 PDF 转换成 docx 文件的 Python 库。该项目通过 PyMuPDF 库提取 PDF 文件中的数据，然后采用 python-docx 库解析内容的布局、段落、图片、表格等，最后自动生成 docx 文件。

pdf2docx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

安装：

#安装
pip install pdf2docx

案例

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)