5、【办公自动化】Python实现PDF转Word

这周 HR 小姐姐让我提供一份可编辑的简历，于是，我找了半天发现只留存了 PDF 格式的简历，这显然不符合小姐姐的要求。

为了省事，我从网上顺手下了一个声称免费文档的转换器应用程序，没想到只给我免费转一页，超过一页需要充值会员，这不是坑吗？打着免费的幌子诱导用户注册和充值，哎，不是厂商的套路太深就是自己想的太天真啊，哈哈哈哈，果断卸载了！！！

白嫖不易，冷静了一下，决定自己写个 Python 程序实现这个需求，前面自己动手实现过 Word 转 PDF ，现在再搞一个 PDF 转 Word 吧。

于是，去 Pypi 官网搜索一下是否存在类似 pdf2word、pdf2doxc 等名称的第三方库，果然发现了一个 pdf2doxc，而且安装、入门示例、API 文档也很详细，赶紧去学习下吧！

经过一番研究，这个依赖库有三种转换方式可以选择使用，下面逐一介绍下：

1、写代码实现

支持将PDF所有页进行转换，也支持指定页的转换。

<1>. 转换PDF所有页

from pdf2docx import Converter
from pdf2docx import parse
 
# 测试用例1
pdf_filename = 'D:\\XXX\\简历-wxx.pdf'
docx_filename_all = 'D:\\XXX\\简历-wxx_all.docx'
 
"""默认转换pdf所有页"""
 
# 方式1：
parse(pdf_filename, docx_filename_all)
 
# 方式2：
# pdf = Converter(pdf_filename)
# pdf.convert(docx_filename_all)
# pdf.close()

转换过程中，日志如下：

<2>. 转换PDF指定页

from pdf2docx import Converter
 
# 测试用例1
pdf_filename = 'D:\\XXX\\简历-wxx.pdf'
docx_filename_part = 'D:\\XXX\\简历-wxx_part.docx'
 
"""
转换pdf指定页(比如：只转换第三页到第五页):
    start=0表示第一页，end=5表示第六页但不包括
"""
pdf = Converter(pdf_filename)
 
# 方式1：使用start~end参数，转换前两页简历，start=0可省略
pdf.convert(docx_filename_part, start=0, end=2)
 
# 方式2：使用pages参数
# pdf.convert(docx_filename_part, pages=[2, 3, 4])
 
pdf.close()

转换效果如下：（两页的简历）

2、命令行模式

这种方式不用编码，但需要熟悉命令行的书写方式，可以通过 help 查看下 pdf2docx 命令的用法：

<1>. 转换PDF所有页

<2>. 转换PDF指定页

方式1，通过start、end参数，转换第二页到第三页

方式2，通过pages参数，转换第二页和第三页

转换效果如下：

 3、GUI界面模式

通过命令 pdf2docx gui 调出 GUI 界面进行转换，操作步骤如下：

总结

至此，通过 pdf2doxc 已经实现了我的 PDF 转 Word 需求，实现效果也很棒！另外，如果再深入一点的话，会有这么几个问题值得思考：

• 如果 PDF 是加密类型的怎么办？
• 如果PDF含有大量的图片，表格、代码块等特殊区域是否也可以完美转换呢？

<1>. 加密场景转换

查看 API 文档可知，通过 Converter() 函数加入打开 PDF 文档的密码参数password

<2>. 含有大量的图片，表格、代码块等特殊区域的场景转换

这里，有一篇111页的学习笔记，存在着大量的特殊区域，测试一下转换效果~

from pdf2docx import Converter
 
# 测试用例
pdf_filename = 'D:\\XXX\\SpringBoot经典学习笔记.pdf'
docx_filename_all = 'D:\\XXX\\SpringBoot经典学习笔记_all.docx'
docx_filename_part = 'D:\\XXX\\SpringBoot经典学习笔记_part_3.docx'
 
pdf = Converter(pdf_filename)
pdf.convert(docx_filename_all)
pdf.close()

效果如下：

有些没有转换过来，成为了空白页！！通过控制台输出信息可以看到：出现错误时，当前页不会转换输出的。

该问题主要是 PDF 存在无法识别的特殊区域导致的，因此，PDF的内容尽量不要太复杂，不要太花里胡哨。通常情况下，pdf2doxc 库已经可以满足常见的转换需求了。

最后，Pypi官网还能搜索到 pdfminer、pdfminer1、pdfminer2、pdfminer3、pdfminer3k 等 PDF 转换/分析器的第三方库，看着都混乱，这里不再考虑使用这些库了，感兴趣的话可以再研究研究~