python读取pdf内容转word_卧槽！Pdf转Word用Python轻松搞定！
大家在日常的工作学习过程中，都会遇到一个问题就是将pdf中的文本内容转化为word的形式，也就是从只读变成可读写的形式。面对这种情况，大家大都采用网上的工具，但是网上的工具良莠不齐，很难达到我们的需求。
今天，小编就带领大家利用python来实现如何将pdf的内容转化为word文档。同时我们还将提取pdf中的图片，保存到我们的指定文件夹内。
01.文字的提取
我们首先要做的是对于pdf中文本的提取，如下图所示：
Pdf中文字是只允许我们进行只读，但是无法进行更改，所以我们要做的就是提取pdf中的文字信息，然后将提取到的文字写入到word文件当中，让我们能够进行后续的改写。对于文字的提取，我们利用的是pdfminer函数库，其主要的函数如下图所示：
程序首先利用get_content_from_pdf函数来返回pdf中提取到的数据；
然后分别创建了PDFResourceManager对象来保存共享数据内容，PDFPageAggregator对象来将资源对象处理成我们需要的格式，而PDFPageInterpreter则是用来处理页面的内容；
程序中page_index用来帮助我们设定需要提取哪几页的内容，对于我们需要提取的页面，通过创建的PDFPageInterpreter对象来对页面信息进行解释；
最后通过PDFPageAggregator对象来对数据进行处理；
这里的layout中就包含了页面解析出来的各种对象。包括文本，图片等信息。但是小编发现，对于图片的提取，pdfminer的效果很不好，所以后面针对于图片的提取，小编采用的fitz库进行单独的处理，取得很好的图片提取效果。说了这么多，我们先来看一下对于文本的处理结果。
我们的pdf是一个两页的pdf文档，我们只让程序去提取第一页的文本，从上图可以看出，程序完整的提取出第一页的文本，没有任何的错误。
02.图片的提取
有了对于文字的处理，接下来我们就来看一下如何提取pdf中的图片，并将其保存到本地。对于图片的提取，程序如下图所示：
上述的程序中，我们利用fitz库来提取pdf文档中的对象，然后通过字符串匹配来判断对象是不是图片类型，如果不是的话，我们直接进行跳过即可。
如果判断对象是图片类型的话，我们边可以通过创建PixMap对象来提取图片，并保存到我们指定的路径下即可。结果如下图所示：
上图可以看出，我们正确的将图片进行了提取，从而达到了我们的图片提取的目的，而且小编也尝试过多个图片的提取，同样也是没有任何压力。可以在短短的几秒内完成pdf文档的所有图片的提取。
以上就是小编为大家带来的pdf转word的提取，我们经过讲解，不仅仅完成了对于pdf文档中文本的提取，而且还完成了对于图片的提取，从而大大的缓解我们工作的压力，提高了工作的效率，大家也赶快下载源码，应用起来吧。
目前wx搜索Python 【菜鸟学Python】排第二，汇聚了30万Python爱好者，累计原创近400篇趣味干货(爬虫，数据分析，算法，面试指南，原创趣味实战，Python游戏，机器学习），欢迎一起学Python，交流指正。
python读取pdf内容转word_卧槽！Pdf转Word用Python轻松搞定！相关推荐
- 如何给PDF文件添加页眉页脚，一分钟轻松搞定
如何给PDF文件添加页眉页脚?很多在使用PDF文件的人都会有这样的问题,不知道如何给PDF文件添加页眉页脚,想要给PDF文件添加页眉页脚需要使用到PDF编辑器,下面就使用迅捷PDF编辑器为大家操作一下 ...
- CAD转换PDF格式怎么弄？教你几种方法轻松搞定！
CAD是从事与艺术创作相关等行业的打工人们必需的工作软件,可以用来完成建筑设计图.设计图纸等.在日常的工作中,一些伙伴经常需要传输图纸给合作方来完成探讨.但是CAD图纸需要使用专业软件才能打开,这就给 ...
- PDF在转Excel免费的！在线工具！轻松搞定
PDF处理,是很多小伙伴的"痛",工作学习中,PDF转换.PDF编辑.PDF和图片的各种问题都需要快速解决,但是付费就很肉疼了. 今天给大家推荐这个神仙PDF工具,解决你的所有PD ...
- python pdf转word 表格_太赞了！Pdf转Word，我用Python 轻松搞定表格和水印！
原标题:太赞了!Pdf转Word,我用Python 轻松搞定表格和水印! 继上一次为大家推出了将pdf转word之后(卧槽!Pdf转Word用Python轻松搞定!),引起了大家的热烈讨论,我也总结了 ...
- 九十七、轻松搞定Python中的PDF办公自动化系列
@Author:Runsen @Date:2020/7/15 人生最重要的不是所站的位置,而是内心所朝的方向.只要我在每篇博文中写得自己体会,修炼身心:在每天的不断重复学习中,耐住寂寞,练就真功,不畏 ...
- python中读取文件内容-Python读取文件内容的三种常用方式及效率比较
本文实例讲述了Python读取文件内容的三种常用方式.分享给大家供大家参考,具体如下: 本次实验的文件是一个60M的文件,共计392660行内容. 程序一: def one(): start = ti ...
- python怎么读文件内容-Python读取文件内容为字符串的方法(多种方法详解)
以下笔记是我在 xue.cn 学习群之数据分析小组所整理分享的心得.相关背景是:我选择中文词频统计案例作为考察大家python基础功掌握程度. 以小见大,下面是2个小技能的具体实战: 如何灵活地处理文 ...
- python火狐配置文件_Python+Selenium中级篇之4-封装一个自己的类-浏览器引擎类/Python读取配置文件内容...
封装一个自己的类-浏览器引擎类 前一篇文章我们知道了,如何去封装几个简单的Selenium方法到我们自定义的类,这次我们编写一个类,叫浏览器引擎类,通过更改一个字符串的值,利用if语句去判断和控制启动 ...
- PDF怎么编辑修改内容？教你一招轻松搞定
怎么编辑修改PDF文件中的内容呢?大家在日常中使用PDF文件的时候,如果发现文件中出现错误的内容时,想要编辑修改里面的文字,怎么才能做到呢?大家都知道PDF文件不能直接在里面编辑,所以有很多小伙伴想知 ...
- 可免费编辑 PDF 内容的 7 大 PDF 编辑工具
有时您可能希望编辑 PDF 文档中的敏感信息,例如财务帐号和 ID 号,以便在不泄露隐私的情况下共享 PDF.编辑 PDF 是从 PDF 中删除私有内容.使用PDF 编辑工具可以轻松完成编辑.市场上有 ...
最新文章
- Ehcache的基本概念
- Apache Commons fileUpload实现文件上传
- jsp到java xml配置,JSP中web配置:web.xml
- purple-class2-默认选项切换
- ios开发读取剪切板的内容_为你找到3款Mac平台好用的剪切板工具,你值得拥有！...
- Android控件用法总结之EditText
- 【java】 java 反序列化过滤器 ObjectInputFilter
- ELK 6.2版本部署
- 如何使keystone更有效率
- eclipse 配置Maven问题解决办法：新建maven工程时报错：Could not resolve archetype org.apache.maven.archetypes .
- DockOne微信分享（一一零）：Docker在沪江落地的实践
- sklearn 学习实践之——基于自带数据集（波士顿房价、鸢尾花、糖尿病等）构建分类、回归模型
- Java制作验证码的完整代码
- UnicodeDecodeError: ‘gbk‘ codec can‘t decode byte 0xff in position 0: illegal multibyte sequence
- PDF文件添加图片、文字合成（java）
- 高等数学—两个重要的极限定理
- GNU GRUB 2.02系统启动项管理设置
- 小数，分数，百分数及倍数的怎么表达？怎么读？ kira86 于2010-07-07发布 l 已有1958人浏览增大字体 减小字体 常态文玩 数百名外教任意选，每天陪你练口语 一个积分学英语，您的账户
- 导致香港服务器运行不稳定的因素有哪些？
- 质数检验(埃拉托色筛选法、根号x复杂度算法)