# 使用python写一个PDF文件转换成word 文件

使用python写一个PDF文件转换成word 文件

一、前言：

要使用 Python 将 PDF 文件转换成 Word 文件，可以借助PyPDF2库来读取 PDF 文件内容，再使用python-docx库将内容写入 Word 文件。不过，PyPDF2只能处理文本类型的 PDF，如果 PDF 是扫描版的（即图像类型），则需要使用pytesseract库结合Pillow库进行 OCR（光学字符识别）。

二、以下是一个简单的示例代码，用于处理文本类型的 PDF 文件：

1、下载安装 python 如：python3.9

2、安装 PyPDF2 库。

pip install PyPDF2 

3、安装 python-docx 库。

pip install python-docx

4、打开 pycharm（如：pycharm2018社区免费版），创建python文件 pdftoword.py。

# PDF文件转成word
# （此代码仅适用于文本类型的 PDF 文件，如果是扫描版 PDF，需要使用 OCR 技术进行处理。）

import PyPDF2   # pip3 install PyPDF2
from docx import Document   # pip install python-docx

# 定义转换函数（接受 PDF 文件路径和 Word 文件路径作为参数）
def pdf_to_word(pdf_path, word_path):
    try:
        # 打开PDF文件
        with open(pdf_path, 'rb') as file:
            pdf_reader = PyPDF2.PdfReader(file)
            # 创建一个新的Word文档
            doc = Document()

            # 逐页读取PDF内容
            for page in pdf_reader.pages:
                text = page.extract_text()
                if text:
                    doc.add_paragraph(text)

            # 保存Word文档
            doc.save(word_path)
            print(f"成功将 {pdf_path} 转换为 {word_path}")
    except Exception as e:
        print(f"转换过程中出现错误: {e}")


if __name__ == "__main__":
    pdf_file = 'example.pdf'
    word_file = 'example.docx'
    pdf_to_word(pdf_file, word_file)

5、在pdftoword.py 所在目录准备 example.pdf 文件，打开pycharm2018 ，运行 pdftoword.py 会在当前目前生成 example.docx 文件。

三、扫描版的 PDF 文件转换成 Word 文件：

1、若要把扫描版的 PDF 文件转换成 Word 文件，得借助 OCR（光学字符识别）技术来识别 PDF 中的文字。在 Python 里，可以使用pytesseract库实现 OCR，同时结合Pillow库来处理图像，以及pdf2image库把 PDF 文件转换为图像。

2、安装依赖库：pytesseract、pdf2image、Pillow和python-docx库。

pip install pytesseract pdf2image Pillow python-docx

3、安装 Tesseract OCR 和 poppler 工具：pytesseract依赖于 Tesseract OCR 引擎，需要下载并安装 Tesseract OCR，并根据实际安装路径设置（如：D:\Program Files\Tesseract-OCR）。

1）下载安装 Tesseract OCR

https://soft.3dmgame.com/down/233782.html

https://github.com/UB-Mannheim/tesseract/wiki

https://digi.bib.uni-mannheim.de/tesseract/

2）设置 Tesseract OCR 的路径（如果需要）

pytesseract.pytesseract.tesseract_cmd = r'D:\Program Files\Tesseract-OCR\tesseract.exe'

3）下载安装 poppler 并指定poppler的安装或解压路径（如：D:\Program Files\poppler-22.12.0\Library\bin）

Poppler 是一个基于GPL和LGPL开源协议的 PDF 渲染库，同时也是一组用于处理 PDF 文件的实用工具集合。

https://github.com/oschwartz10612/poppler-windows/releases/

4、打开 pycharm（如：pycharm2018社区免费版），创建python文件 pdf_to_word.py。

# 扫描版的 PDF 文件(图片图像) 转换成 Word 文件：pdf_to_word.py

# 需要安装依赖库：pip install pytesseract pdf2image Pillow python-docx
import pytesseract
from pdf2image import convert_from_path
from docx import Document
import os


def pdf_to_word_scanned(pdf_path, word_path):
    try:
        # 指定poppler的路径，这里以Windows为例，根据实际情况修改
        poppler_path = r'D:\Program Files\poppler-22.12.0\Library\bin'

        # 将PDF转换为图像列表，并指定poppler路径
        images = convert_from_path(pdf_path, poppler_path=poppler_path)

        # 创建一个新的Word文档
        doc = Document()

        # 设置TESSDATA_PREFIX环境变量
        tessdata_dir = r'D:\Program Files\Tesseract-OCR\tessdata'
        os.environ['TESSDATA_PREFIX'] = tessdata_dir

        # 逐页处理图像
        for i, image in enumerate(images):
            # 使用pytesseract进行OCR识别（需有chi_sim.traineddata 和 eng.traineddata 字符集）
            text = pytesseract.image_to_string(image, lang='chi_sim+eng')

            # 将识别的文本添加到Word文档中
            if text:
                doc.add_paragraph(text)

        # 保存Word文档
        doc.save(word_path)
        print(f"成功将 {pdf_path} 转换为 {word_path}")

    except Exception as e:
        print(f"转换过程中出现错误: {e}")


if __name__ == "__main__":
    pdf_file = 'example2.pdf'
    word_file = 'example2.docx'

    # 设置Tesseract OCR的路径（如果需要）
    pytesseract.pytesseract.tesseract_cmd = r'D:\Program Files\Tesseract-OCR\tesseract.exe'

    pdf_to_word_scanned(pdf_file, word_file)

5、在pdf_to_word.py 所在目录准备 example2.pdf 文件，打开pycharm2018 ，运行 pdf_to_word.py 会在当前目前生成 example2.docx 文件。