只需2行代碼，輕松將PDF轉(zhuǎn)換成Word

可將 PDF 轉(zhuǎn)換成 docx 文件的 Python 庫。該項(xiàng)目通過 PyMuPDF 庫提取 PDF 文件中的數(shù)據(jù)，然后采用 python-docx 庫解析內(nèi)容的布局、段落、圖片、表格等，最后自動(dòng)生成 docx 文件。

pdf2docx功能

-解析和創(chuàng)建頁面布局
-頁邊距
-章節(jié)和分欄(目前最多支持兩欄布局)
-頁眉和頁腳[TODO]

-解析和創(chuàng)建段落
-OCR文本[TODO]
-水平（從左到右）或豎直（自底向上）方向文本
-字體樣式例如字體、字號(hào)、粗/斜體、顏色
-文本樣式例如高亮、下劃線和刪除線
-列表樣式[TODO]
-外部超鏈接
-段落水平對(duì)齊方式(左/右/居中/分散對(duì)齊)及前后間距

-解析和創(chuàng)建圖片
-內(nèi)聯(lián)圖片
-灰度/RGB/CMYK等顏色空間圖片
-帶有透明通道圖片
-浮動(dòng)圖片（襯于文字下方）

-解析和創(chuàng)建表格
-邊框樣式例如寬度和顏色
-單元格背景色
-合并單元格
-單元格垂直文本
-隱藏部分邊框線的表格
-嵌套表格

-支持多進(jìn)程轉(zhuǎn)換

pdf2docx同時(shí)解析出了表格內(nèi)容和樣式，因此也可以作為一個(gè)表格內(nèi)容提取工具。

限制

-目前暫不支持掃描PDF文字識(shí)別
-僅支持從左向右書寫的語言（因此不支持阿拉伯語）
-不支持旋轉(zhuǎn)的文字
-基于規(guī)則的解析無法保證100%還原PDF樣式

安裝

pipinstallpdf2docx

案例

frompdf2docximportparse

pdf_file='/path/to/sample.pdf'
docx_file='path/to/sample.docx'

#convertpdftodocx
parse(pdf_file,docx_file)

Run