pdf2docx - pdf 提取内容转 docx

文章目录

- [一、关于 pdf2docx](#一、关于 pdf2docx)
- - 主要功能
  - 限制
- 二、安装
- - [1、 PyPI](#1、 PyPI)
  - 2、从remote安装
  - 3、从源码安装
  - 4、卸载
- [三、转化 PDF](#三、转化 PDF)
- - [例 1: convert all pages](#例 1: convert all pages)
  - [例 2: 转换指定页面](#例 2: 转换指定页面)
  - [例 3: multi-Processing](#例 3: multi-Processing)
  - [例 4: 转换加密的pdf](#例 4: 转换加密的pdf)
- 四、提取表格
- 五、命令行交互
- 六、图形界面
- [七、Technical Documentation](#七、Technical Documentation)

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

shell 复制代码

$ pip install pdf2docx

更新

shell 复制代码

$ pip install --upgrade pdf2docx

2、从remote安装

Install pdf2docx directly from the master branch:

shell 复制代码

$ 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:

shell 复制代码

$ python setup.py install

或者，使用开发模式

shell 复制代码

$ python setup.py develop

4、卸载

shell 复制代码

$ 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

python 复制代码

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:

python 复制代码

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：

python 复制代码

# 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:

python 复制代码

# 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：

python 复制代码

cv.convert(docx_file, multi_processing=True)

指定CPU个数：

python 复制代码

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

python 复制代码

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

四、提取表格

python 复制代码

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:

python 复制代码

...
[['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

shell 复制代码

$ 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：

shell 复制代码

$ pdf2docx convert test.pdf test.docx

将页面从第二个转换到结尾：

shell 复制代码

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

将页面从第一个转换为第三个（index=2）：

shell 复制代码

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

转换第二页和第三页：

shell 复制代码

$ 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：

shell 复制代码

$ 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：

shell 复制代码

$ 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：

shell 复制代码

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

指定CPU的计数：

shell 复制代码

$ 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:

shell 复制代码

$ 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：

2024-07-19