20230919 Utilice python3 para convertir documentos PDF a documentos WORD en formato DOCX en WIN10

20230919Utilice python3 para convertir documentos PDF a documentos WORD en formato DOCX en WIN102023
/9/19 11:20

Python pdf palabra

https://blog.csdn.net/u013185349/article/details/130059657
Python convierte PDF a documento de Word

AceptadoLin

Modificado el 2023-04-10 14:45:17

1243
colección 1
etiqueta de artículo: pdf python
copyright
1. Instalación del módulo
pip install pdf2docx
puede informar un error durante la instalación:

a las herramientas de compilación de Microsoft C++

https://visualstudio.microsoft.com/zh-hans/visual-cpp-build-tools/
Herramientas de compilación de Microsoft C++
Compilador, biblioteca y scripts de MSVC independientes

Descargue el entorno de compilación de C++ e instálelo.

2. Introducción al módulo
pdf2docx es un módulo de Python que se puede utilizar para convertir archivos PDF en documentos de Word. Está desarrollado en base a las bibliotecas pdfminer y python-docx de Python y puede ejecutarse en sistemas Windows, Linux y Mac.

El módulo pdf2docx puede extraer texto e imágenes directamente de archivos PDF y convertirlos en documentos de Word editables. Puede manejar archivos PDF que contienen diseños y formatos complejos y conserva los atributos originales como fuentes, colores, tamaños y formatos.

Usar el módulo pdf2docx es muy sencillo, solo necesitas instalar la biblioteca pdf2docx e importar las funciones correspondientes. Aquí hay un código de ejemplo simple:

import pdf2docx
# Convertir archivos PDF en documentos de Word
pdf2docx.parse('test.pdf', 'test.docx')
El módulo pdf2docx también proporciona otras funciones y opciones que se pueden configurar y utilizar según sea necesario. A continuación se muestran algunas funciones y opciones de uso común:

parse: convertir un archivo PDF en un documento de Word
parse_pages: convertir una página de un archivo PDF en un documento de Word
parse_images: extraer imágenes de un archivo PDF
parse_text: extraer texto de un archivo PDF
parse_layout: extraer páginas de un archivo PDF El diseño extraído
El módulo pdf2docx también admite algunas opciones avanzadas, como fuentes, colores, tamaños, formatos, etc. personalizados, que se pueden configurar y utilizar según sea necesario.

3. Implementación completa del código
# codificación: utf-8
import os
from pdf2docx import Converter

def pdf2docx():
# Reemplace con el directorio donde se encuentra su propio archivo
file_path = r'C:\Users\Administrator\Desktop\Code\pdf_tools'
# Recorrer todos los archivos
para el archivo en os.listdir(file_path):
suff_name = os.path.splitext(file)[1] # Obtener el sufijo del archivo
# Filtrar archivos en formato que no sea PDF
si suff_name != '.pdf':
continuar

file_name = os.path.splitext (file)[0] # Obtener el nombre del archivo
pdf_name = file_path + '\\' + file
docx_name = file_path + '\\' + file_name + '.docx' # El nombre del archivo docx que se va a convertido # Cargar el
documento pdf
cv = Converter( pdf_name)
cv.convert(docx_name)
cv.close()

si __nombre__ == '__principal__':
pdf2docx()

Microsoft Windows [Versión 10.0.19045.2311]
(c) Microsoft Corporation. reservados todos los derechos.

C:\Users\Administrator>pip install pdf2docx
Recopilando pdf2docx
Descargando pdf2docx-0.5.6-py3-none-any.whl (148 kB)
-------------------- -------------------- 148.4/148.4 kB 630.7 kB/s eta 0:00:00
Recopilando PyMuPDF>=1.19.0 (de pdf2docx)
Descargando PyMuPDF-1.23. 3-cp39-none-win_amd64.whl (3,5 MB)
------------------------------------- --- 3.5/3.5 MB 9.2 MB/s eta 0:00:00
Requisito ya satisfecho: python-docx>=0.8.10 en c:\users\administrator\appdata\local\programs\python\python39\lib\site -packages (de pdf2docx) (0.8.11)
Recopilación de fonttools>=4.24.0 (de pdf2docx)
Descarga de fonttools-4.42.1-cp39-cp39-win_amd64.whl (2,1 MB)
---------------------------------------- 2,1/2,1 MB 2,6 MB/s eta 0 :00:00
Recopilando numpy>=1.17.2 (de pdf2docx)
Descargando numpy-1.26.0-cp39-cp39-win_amd64.whl (15,8 MB)
----------------- ----------------------- 15,8/15,8 MB 26,2 MB/s eta 0:00:00
Recopilando opencv-python>=4.5 (de pdf2docx)
Descargando opencv_python -4.8.0.76-cp37-abi3-win_amd64.whl (38,1 MB)
---------------------------------- ------ 38.1/38.1 MB 5.7 MB/s eta 0:00:00
Recogiendo fuego>=0.3.0 (de pdf2docx)
Descargando fire-0.5.0.tar.gz (88 kB)
----- ----------------------------------- 88,3/88,3 kB ? eta 0:00:00
Instalando dependencias de compilación... hecho
Obteniendo requisitos para construir la rueda... hecho
Preparando metadatos (pyproject.toml)... hecho
Requisito ya satisfecho: seis en c:\users\administrator\appdata\local\programs\python\python39\lib\site-packages (de fire>=0.3.0->pdf2docx ) (1.16.0)
Recopilando termcolor (de fire>=0.3.0->pdf2docx)
Descargando termcolor-2.3.0-py3-none-any.whl (6.9 kB)
Recopilando PyMuPDFb==1.23.3 (de PyMuPDF>= 1.19.0->pdf2docx)
Descargando PyMuPDFb-1.23.3-py3-none-win_amd64.whl (24,4 MB)
------------------------- --------------- 24,4/24,4 MB 4,0 MB/s eta 0:00:00
Requisito ya satisfecho: lxml>=2.3.2 en c:\users\administrator\appdata\local \programs\python\python39\lib\site-packages (de python-docx>=0.8.10->pdf2docx) (4.9.3)
Ruedas de construcción para paquetes recopilados: fuego
Rueda de construcción para incendios (pyproject.toml) ... hecho
Rueda creada para incendios: nombre de archivo = fire-0.5.0-py2.py3-none-any.whl tamaño = 116950 sha256 = b84339f0a2dc9789fcec60631f398fc301fe08bccf89cd7311ea01455418dada
Almacenado en el directorio: c:\users \ administrador\appdata\local\pip\cache\wheels\f7\f1\89\b9ea2bf8f80ec027a88fef1d354b3816b4d3d29530988972f6
Fire construido exitosamente
Instalación de paquetes recopilados: termcolor, PyMuPDFb, numpy, fonttools, PyMuPDF, opencv-python, fire, pdf2docx
Instalado exitosamente PyMuPDF-1.23.3 PyMuPDFb-1.23.3 fire-0.5.0 fonttools-4.42.1 numpy-1.26.0 opencv-python-4.8.0.76 pdf2docx-0.5.6 termcolor-2.3.0

[aviso] Hay una nueva versión de pip disponible: 23.1.2 -> 23.2.1
[aviso] Para actualizar, ejecute: python.exe -m pip install --upgrade pip

C:\Usuarios\Administrador>
C:\Usuarios\Administrador>cd D:\B

C:\Usuarios\Administrador>d:

D:\B>dir
El volumen en la unidad D es un
volumen SOFT y su número de serie es 0ACA-475A.

Directorio de D:\B

2023/09/18 23:43 <DIR>
.2023/09/18 23:43 <DIR> ..
2023/09/18 19:55 885 downb.py
2023/09/18 19:54 824 Crear un nuevo texto document.txt
2023/09/12 17:34 3.940.636 La belleza del sistema Pensamiento sistémico de los tomadores de decisiones.pdf
3 archivos 3.942.345 bytes
2 directorios 99.266.936.832 bytes disponibles

D:\B>
D:\B>python
Python 3.9.13 (tags/v3.9.13:6de2ca5, 17 de mayo de 2022, 16:36:42) [MSC v.1929 64 bits (AMD64)] en win32 Escriba "
ayuda ", "copyright", "créditos" o "licencia" para obtener más información.
>>>
>>> import pdf2docx
>>>
>>> pdf2docx.parse('La belleza del pensamiento sistémico para los tomadores de decisiones.pdf', 'La belleza del sistema Pensamiento sistémico para tomadores de decisiones.pdf.docx')
[INFO] Empezar a convertir La belleza del sistema Pensamiento sistémico para tomadores de decisiones.pdf
[INFO] [1;36m[1/4] Documento de apertura. ..[0m
[INFO] [1 ;36m[2/4] Analizando documento...[0m
[INFO] [1;36m[3/4] Analizando páginas...[0m
[INFO] Página 366
[INFO] Terminado en 36.05s.
>>>
>>> salir()

D:\B>
D:\B>

20230919 Utilice python3 para convertir documentos PDF a documentos WORD en formato DOCX en WIN10

Supongo que te gusta