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
-
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）
-
内联图片
-
-
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
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)output
NO.
1
往期推荐
Historical articles
200行不到的Python代码，破解了隔壁家小姐姐的wifi密码，然后……
分享、收藏、点赞、在看安排一下？
