pdf2docx库 | 转文件格式，支持抽取文件中的表格数据 / 开普饭

今天在知乎看到

近几年【pdf转word】在百度指数中呈上升趋势，

由于pdf文件本身特殊性，想要百分百地将其转回word格式基本上是不可能的。我尝试着在github上搜了下，找到一个pdf2docx库可以实现批量转换功能。

特性

支持的pdf转docx的功能有

解析并重新创建段落

[x] 水平方向上的文字：从左到右
[x] 垂直方向的文字：从下到上
[x] 字体样式，例如字体名称，大小，粗细，斜体和颜色
[x] 文字格式，例如突出显示，下划线，删除线
[x] 文字对齐方式，例如左/右/中心/对齐
[x] 段落布局：水平对齐和垂直间距

解析并重新创建图像

[x] 内嵌图片
[x] 灰度/ RGB / CMYK模式下的图像
[x] 透明图像

解析并重新创建表

[x] 边框样式，例如宽度，颜色
[x] 底纹样式，即背景色
[x] 合并单元格
[x] 垂直方向单元
[x] 边框部分隐藏的桌子
[x] 使用多处理解析页面

由于还分析了表内容和格式/样式，因此它也可用作提取表内容的工具。

不足

仅限于纯文本的pdf，图片格式的pdf不行的
pdf内不能有浮动的图片
其他

安装

pip3 install pdf2docx

数据

在项目文件夹中有data文件夹，我们看一下data文件夹内的实验文件

import os

os.listdir('data')['demo-table.pdf', 'demo-image.pdf', 'demo-table-lattice.pdf', 'demo-table-close-underline.pdf', 'demo-path-transformation.pdf', 'demo-text-scaling.pdf', 'demo-text-alignment.pdf', 'demo-text-unnamed-fonts.pdf', 'demo-table-shading-highlight.pdf', 'demo-table-lattice-one-cell.pdf', 'demo.pdf', 'demo-image-cmyk.pdf', 'demo-text.pdf', 'demo-table-weird.pdf', 'demo-image-vector-graphic.pdf', 'demo-image-transparent.pdf', 'demo-table-nested.pdf', 'demo-blank.pdf', 'demo-table-shading.pdf', 'demo-table-border-style.pdf', 'demo-table-bottom.pdf', 'demo-table-align-borders.pdf', 'demo-table-stream.pdf']

转docx

将pdf转为docx，结果存到项目文件夹output中

parse(pdf_file, docx_file, start, end, pages)

pdf_file pdf文件路径(输入)
docx_file docx文件路径(输出)
start 开始转换的页面数，可不设置，默认为0
end 结束的页面数，可不设置，默认为None
pages 待转换的页面数列表，可不设置，默认为None

测试demo-text.pdf打开样式如下图

from pdf2docx import parse


pdf_file = 'data/demo-text.pdf'

docx_file = 'output/demo-text.docx'

# 将pdf里第一页转为docx parse(pdf_file, docx_file, start=0, end=1)Processing Pages: 1/1... -------------------------------------------------- Terminated in 0.11046225800009779s.

抽取表格

extract_tables(pdf_file, docx_file, start, end, pages)

pdf_file pdf文件路径(输入)
docx_file docx文件路径(输出)
start 开始转换的页面数，可不设置，默认为0
end 结束的页面数，可不设置，默认为None
pages 待转换的页面数列表，可不设置，默认为None

测试demo-table.pdf如下图

from pdf2docx import extract_tables


pdf_file = 'data/demo-table.pdf'
tables = extract_tables(pdf_file, start=0, end=1)

for table in tables:

    print(table)

Run

Processing Pages: 1/1... [[' ', 'Method / Attribute ', 'Description '], ['1 ', 'Document.pageCount ', 'the number of pages (int) \nthe metadata (dict) '], ['2 ', 'Document.metadata ', None], ['3 ', 'Document.getTo\nC() \nDocument.loadP\nage() \nread a Page read \na Page read a \nPage read a \nPage read a \nPage read a \nPage read a \nPage read a \nPage read a \nPage ', None], ['4 ', None, None]] [['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 ']]

这块可能对pdf中报表变量抽取有一些帮助，可以做的可能有很多吧，比如