《开源精选》是我们分享Github、Gitee等开源社区中优质项目的栏目，包括技术、学习、实用与各种有趣的内容。本期推荐的是一个可将PDF转为Word的Python库——pdf2docx。

• 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

示例

安装

$ pip install pdf2docx

更新

$ pip install --upgrade pdf2docx

我们可以使用 Converter类 或包装方法 parse() 将所有/指定的 pdf 页面转换为 docx。如果 pdf 文件包含大量页面，则支持批量处理。

• 转换所有页面

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()

另一种使用 parse() 的方法：

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)

• 转换指定页面

指定页面范围 start（如果省略则从第一页开始）和 end（如果省略则到最后一页）：

# 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，通过以下方式设置单独的页面 pages：

# convert the first, third and 5th pages
cv.convert(docx_file, pages=[0,2,4])

-END-

开源协议：GPL-3.0

开源地址：https://github.com/dothinking/pdf2docx