python實(shí)現(xiàn)pdf轉(zhuǎn)word和excel的示例代碼
更新時(shí)間：2025年01月22日 08:26:09 作者：PandaCode輝
本文主要介紹了python實(shí)現(xiàn)pdf轉(zhuǎn)word和excel的示例代碼,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
一、引言
在辦公中，我們經(jīng)常遇收到pdf文件格式，因?yàn)閜df格式文件不易修改，當(dāng)我們需要編輯這些pdf文件時(shí)，經(jīng)常需要開通會員或收費(fèi)功能才能使用編輯功能。今天，我要和大家分享的，是如何使用python編程實(shí)現(xiàn)，將PDF文件輕松轉(zhuǎn)換成Word和Excel格式，讓編輯變得輕而易舉。
二、python編程
要將PDF轉(zhuǎn)換為Word，我們需要解析PDF的布局和內(nèi)容，并將其重新格式化為Word文檔。這涉及到復(fù)雜的文本識別和格式轉(zhuǎn)換技術(shù)。
使用過如下幾個(gè)庫：最好的還是pdf2docx。
(一)、使用 pdf2docx 庫
(二)、使用 PyMuPDF 庫
(三)、使用 pdfplumber 庫
(四)、使用 PyPDF2 和 python-docx 庫
重點(diǎn)：pdf2docx 是一個(gè)將 PDF 文件轉(zhuǎn)換為 DOCX 文件的 Python 庫。
pip install pdf2docx -i https://mirrors.aliyun.com/pypi/simple
更換PIP源
PIP源在國外，速度慢，可以更換為國內(nèi)源，以下是國內(nèi)一些常用的PIP源。豆瓣(douban) http://pypi.douban.com/simple/
清華大學(xué) https://pypi.tuna.tsinghua.edu.cn/simple/
阿里云 http://mirrors.aliyun.com/pypi/simple/
中國科技大學(xué) https://pypi.mirrors.ustc.edu.cn/simple/
中國科學(xué)技術(shù)大學(xué) http://pypi.mirrors.ustc.edu.cn/simple/
1，PDF轉(zhuǎn)Word
from pdf2docx import Converter
# pdf轉(zhuǎn)word方法
def pdf_to_word(pdf_path, word_path=None, page_nums=None):
'''
@方法名稱: pdf轉(zhuǎn)word
@中文注釋: pdf轉(zhuǎn)word
@入?yún)?
@param pdf_path str pdf文件路徑
@param page_nums str 頁碼序號
@出參:
@返回狀態(tài):
@return 0 失敗或異常
@return 1 成功
@返回錯(cuò)誤碼
@返回錯(cuò)誤信息
@param doc_file str word文件名
@作 者: PandaCode輝
@weixin公眾號: PandaCode輝
@創(chuàng)建時(shí)間: 2024-12-17
@使用范例: pdf_to_word('test.pdf')
'''
global cv
result_dict = {}
try:
if not type(pdf_path) is str:
result_dict["error_code"] = "111111"
result_dict["error_msg"] = "pdf文件路徑參數(shù)類型錯(cuò)誤,不為字符串"
return result_dict
# 檢查PDF文件是否存在
if not os.path.isfile(pdf_path):
result_dict["error_code"] = "999999"
result_dict["error_msg"] = f"PDF文件未找到: {pdf_path}"
return result_dict
start_time = time.time()
if not word_path:
# 使用os.path.basename()獲取文件名
file_path = os.path.dirname(pdf_path)
# 使用os.path.basename()獲取文件名
file_name = os.path.basename(pdf_path)
# 提取文件名，去除文件后綴
file_name = file_name.split('.')[0]
# print(file_name)
# word文件名+路徑
word_path = os.path.join(file_path, f'{file_name}.docx')
# print(word_path)
# 初始化轉(zhuǎn)換器
cv = Converter(pdf_path)
# 轉(zhuǎn)換整本PDF或指定頁碼
if page_nums:
# 解析頁碼參數(shù)
pages = []
for part in page_nums.split(','):
if '-' in part:
start, end = part.split('-')
pages.extend(range(int(start) - 1, int(end)))
else:
pages.append(int(part) - 1)
# 轉(zhuǎn)換指定頁碼
cv.convert(docx_filename=word_path, pages=pages)
else:
# 轉(zhuǎn)換整本PDF
cv.convert(docx_filename=word_path, start=0)
# 保存為Word文檔
cv.close()
# 識別時(shí)間
end_time = time.time()
# 計(jì)算耗時(shí)差，單位毫秒
recognize_time = (end_time - start_time) * 1000
# 保留2位小數(shù)
recognize_time = round(recognize_time, 2)
# print('處理時(shí)間:' + str(recognize_time) + '毫秒')
result_dict["recognize_time"] = recognize_time
result_dict["error_code"] = "000000"
result_dict["error_msg"] = "pdf轉(zhuǎn)word成功"
# 使用os.path.basename()獲取文件名
word_file_name = os.path.basename(word_path)
# 打印結(jié)果
# print("文件名:", word_file_name)
result_dict["filename"] = word_file_name
result_dict["file_size_mb"] = file_size_mb
return result_dict
except Exception as e:
cv.close()
print("pdf轉(zhuǎn)word異常," + str(e))
result_dict["error_code"] = "999999"
result_dict["error_msg"] = "PDF到Word轉(zhuǎn)換過程中發(fā)生錯(cuò)誤," + str(e)
return result_dict2，PDF轉(zhuǎn)Excel
要將PDF轉(zhuǎn)換為Excel，目前沒有現(xiàn)成的轉(zhuǎn)換庫，需要稍加處理下。
使用過如下幾個(gè)庫：
(一)、使用 pdf2docx 庫 和 docx 庫 和 pandas 庫
先將pdf轉(zhuǎn)成word文檔，然后讀取word文檔中的表格內(nèi)容，然后再轉(zhuǎn)成excel文檔。
pip install python-docx -i https://mirrors.aliyun.com/pypi/simple
pip install pandas -i https://mirrors.aliyun.com/pypi/simple
from docx import Document
import pandas as pd
'''
不擅長編程的用戶，可以選擇我的免費(fèi)工具箱，開箱即用，方便快捷。
print("搜/索/wei/xin/小/程/序: 全能科技工具箱")
'''
# pdf轉(zhuǎn)excel方法
def pdf_to_excel(pdf_path, xlsx_path=None, page_nums=None):
'''
@方法名稱: pdf轉(zhuǎn)excel
@中文注釋: pdf轉(zhuǎn)excel
@入?yún)?
@param pdf_path str pdf文件路徑
@param page_nums str 頁碼序號
@出參:
@返回狀態(tài):
@return 0 失敗或異常
@return 1 成功
@返回錯(cuò)誤碼
@返回錯(cuò)誤信息
@param xlsx_file str excel文件名
@作 者: PandaCode輝
@weixin公眾號: PandaCode輝
@創(chuàng)建時(shí)間: 2025-01-06
@使用范例: pdf_to_excel('test.pdf')
'''
global cv
result_dict = {}
try:
if not type(pdf_path) is str:
result_dict["error_code"] = "111111"
result_dict["error_msg"] = "pdf文件路徑參數(shù)類型錯(cuò)誤,不為字符串"
return result_dict
# 檢查PDF文件是否存在
if not os.path.isfile(pdf_path):
result_dict["error_code"] = "999999"
result_dict["error_msg"] = f"PDF文件未找到: {pdf_path}"
return result_dict
start_time = time.time()
# 使用os.path.basename()獲取文件名
file_path = os.path.dirname(pdf_path)
# 使用os.path.basename()獲取文件名
file_name = os.path.basename(pdf_path)
# 提取文件名，去除文件后綴
file_name = file_name.split('.')[0]
# print(file_name)
# word文件名+路徑
word_path = os.path.join(file_path, f'{file_name}.docx')
# print(word_path)
if not xlsx_path:
# xlsx文件名+路徑
xlsx_path = os.path.join(file_path, f'{file_name}.xlsx')
# print(xlsx_path)
# 第一步，先將pdf轉(zhuǎn)成doc文檔
rsp_dict = pdf_to_word(pdf_path, page_nums=page_nums)
if rsp_dict["error_code"] == "000000":
# 第二步，再讀取doc文檔，轉(zhuǎn)成xlsx文檔
# 打開Word文檔
doc = Document(word_path)
if len(doc.tables) < 1:
result_dict["error_code"] = "999999"
result_dict["error_msg"] = "PDF文件未找到表格內(nèi)容，無法轉(zhuǎn)成xlsx文檔."
return result_dict
# 創(chuàng)建一個(gè)Excel writer對象
with pd.ExcelWriter(xlsx_path, engine='openpyxl') as writer:
# 遍歷文檔中的所有表格
for i, table in enumerate(doc.tables, start=1):
# 創(chuàng)建一個(gè)空的DataFrame來存儲表格數(shù)據(jù)
data = []
# 遍歷表格中的所有行
for row in table.rows:
# 遍歷行中的所有單元格
row_data = []
for cell in row.cells:
row_data.append(cell.text)
data.append(row_data)
# 將數(shù)據(jù)轉(zhuǎn)換為DataFrame
df = pd.DataFrame(data)
# 將DataFrame保存到Excel的不同工作表中
sheet_name = f"Table_{i}"
df.to_excel(writer, sheet_name=sheet_name, index=False, header=False)
# print(f"轉(zhuǎn)換完成，結(jié)果保存在{xlsx_path}中。")
else:
result_dict["error_code"] = rsp_dict["error_code"]
result_dict["error_msg"] = rsp_dict["error_msg"]
return result_dict
# 識別時(shí)間
end_time = time.time()
# 計(jì)算耗時(shí)差，單位毫秒
recognize_time = (end_time - start_time) * 1000
# 保留2位小數(shù)
recognize_time = round(recognize_time, 2)
# print('處理時(shí)間:' + str(recognize_time) + '毫秒')
result_dict["recognize_time"] = recognize_time
result_dict["error_code"] = "000000"
result_dict["error_msg"] = "pdf轉(zhuǎn)excel成功"
# 使用os.path.basename()獲取文件名
xlsx_file_name = os.path.basename(xlsx_path)
result_dict["filename"] = xlsx_file_name
return result_dict
except Exception as e:
print("pdf轉(zhuǎn)excel異常," + str(e))
result_dict["error_code"] = "999999"
result_dict["error_msg"] = "PDF到excel轉(zhuǎn)換過程中發(fā)生錯(cuò)誤," + str(e)
return result_dict(二)、使用 pdfplumber 和 python-pandas 庫
使用pdfplumber庫讀取pdf表格內(nèi)容，然后寫入excel表格文檔中。
pip install pdfplumber -i https://mirrors.aliyun.com/pypi/simple
import pandas as pd
import pdfplumber
'''
不擅長編程的用戶，可以選擇我的免費(fèi)工具箱，開箱即用，方便快捷。
print("搜/索/wei/xin/小/程/序: 全能科技工具箱")
'''
def pdf_to_excel_new(pdf_path, xlsx_path=None, page_nums=None):
'''
@方法名稱: pdf轉(zhuǎn)excel
@中文注釋: pdf轉(zhuǎn)excel
@入?yún)?
@param pdf_path str pdf文件路徑
@param page_nums str 頁碼序號
@出參:
@返回狀態(tài):
@return 0 失敗或異常
@return 1 成功
@返回錯(cuò)誤碼
@返回錯(cuò)誤信息
@param xlsx_file str excel文件名
@作 者: PandaCode輝
@weixin公眾號: PandaCode輝
@創(chuàng)建時(shí)間: 2025-01-06
@使用范例: pdf_to_excel('test.pdf')
'''
result_dict = {}
try:
if not type(pdf_path) is str:
result_dict["error_code"] = "111111"
result_dict["error_msg"] = "pdf文件路徑參數(shù)類型錯(cuò)誤,不為字符串"
return result_dict
# 檢查PDF文件是否存在
if not os.path.isfile(pdf_path):
result_dict["error_code"] = "999999"
result_dict["error_msg"] = f"PDF文件未找到: {pdf_path}"
return result_dict
start_time = time.time()
# 使用os.path.basename()獲取文件名
file_path = os.path.dirname(pdf_path)
# 使用os.path.basename()獲取文件名
file_name = os.path.basename(pdf_path)
# 提取文件名，去除文件后綴
file_name = file_name.split('.')[0]
# print(file_name)
if not xlsx_path:
# xlsx文件名+路徑
xlsx_path = os.path.join(file_path, f'{file_name}.xlsx')
# print(xlsx_path)
# 提取 PDF 中的文本數(shù)據(jù)
with pdfplumber.open(pdf_path) as pdf:
if len(pdf.pages) < 1:
result_dict["error_code"] = "999999"
result_dict["error_msg"] = "PDF文件未找到表格內(nèi)容，無法轉(zhuǎn)成xlsx文檔."
return result_dict
# 創(chuàng)建一個(gè) Excel 的寫入器
with pd.ExcelWriter(xlsx_path) as writer:
# 轉(zhuǎn)換整本PDF或指定頁碼
if page_nums:
# 解析頁碼參數(shù)
pages = []
for part in page_nums.split(','):
if '-' in part:
start, end = part.split('-')
pages.extend(range(int(start) - 1, int(end)))
else:
pages.append(int(part) - 1)
# 轉(zhuǎn)換指定頁碼
for i in pages:
page = pdf.pages[i]
# 提取當(dāng)前頁的表格數(shù)據(jù)
table = page.extract_table()
if table:
# 將表格數(shù)據(jù)轉(zhuǎn)換為 DataFrame
df = pd.DataFrame(table)
# 將 DataFrame 寫入 Excel 的不同工作表
df.to_excel(writer, sheet_name=f'Page {i}', index=False)
else:
# 轉(zhuǎn)換整本PDF
for i, page in enumerate(pdf.pages, start=1):
# 提取當(dāng)前頁的表格數(shù)據(jù)
table = page.extract_table()
if table:
# 將表格數(shù)據(jù)轉(zhuǎn)換為 DataFrame
df = pd.DataFrame(table)
# 將 DataFrame 寫入 Excel 的不同工作表
df.to_excel(writer, sheet_name=f'Page {i}', index=False)
# 識別時(shí)間
end_time = time.time()
# 計(jì)算耗時(shí)差，單位毫秒
recognize_time = (end_time - start_time) * 1000
# 保留2位小數(shù)
recognize_time = round(recognize_time, 2)
# print('處理時(shí)間:' + str(recognize_time) + '毫秒')
result_dict["recognize_time"] = recognize_time
result_dict["error_code"] = "000000"
result_dict["error_msg"] = "pdf轉(zhuǎn)excel成功"
# 使用os.path.basename()獲取文件名
xlsx_file_name = os.path.basename(xlsx_path)
# 打印結(jié)果
# print("文件名:", xlsx_file_name)
result_dict["filename"] = xlsx_file_name
# 獲取文件大?。ㄗ止?jié)）
file_size_bytes = os.path.getsize(xlsx_path)
# 將字節(jié)轉(zhuǎn)換為兆字節(jié)
file_size_mb = file_size_bytes / (1024 * 1024)
# 打印結(jié)果
# print("文件大?。ㄕ鬃止?jié)）:", file_size_mb)
result_dict["file_size_mb"] = file_size_mb
return result_dict
except Exception as e:
print("pdf轉(zhuǎn)excel異常," + str(e))
result_dict["error_code"] = "999999"
result_dict["error_msg"] = "PDF到excel轉(zhuǎn)換過程中發(fā)生錯(cuò)誤," + str(e)
return result_dict三、前端頁面效果展示
1，選擇PDF文件
2，選擇轉(zhuǎn)換類型：PDF轉(zhuǎn)Word 和 PDF轉(zhuǎn)Excel
3，頁面范圍：可選參數(shù)，不選則全部轉(zhuǎn)換
總結(jié)
- pdf2docx 和 PyMuPDF 是pdf轉(zhuǎn)word更直接的選擇，因?yàn)樗鼈儗ｉT用于轉(zhuǎn)換 PDF 到 DOCX，并且通常在版面還原方面做得更好。
- pdfplumber 更適合于文本和表格的提取，而不是直接的格式轉(zhuǎn)換。
- PyPDF2 和 python-docx 的組合提供了更多的靈活性，但可能需要更多的自定義代碼來處理復(fù)雜的布局和格式。
根據(jù)你的需求，選擇最適合你的庫。如果你需要高度保真的版面還原，pdf2docx 或 PyMuPDF 可能是更好的選擇。如果你需要從 PDF 中提取文本和表格數(shù)據(jù)，pdfplumber 可能更適合。
到此這篇關(guān)于python實(shí)現(xiàn)pdf轉(zhuǎn)word和excel的文章就介紹到這了,更多相關(guān)python實(shí)現(xiàn)pdf轉(zhuǎn)word和excel內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
詳解在Anaconda環(huán)境下Python安裝pydot與graphviz的方法
這篇文章主要為大家詳細(xì)介紹了在Anaconda環(huán)境中，安裝Python語言pydot與graphviz兩個(gè)模塊的方法，文中的安裝方法講解詳細(xì)，感興趣?的可以了解一下2023-02-02
Python numpy實(shí)現(xiàn)數(shù)組合并實(shí)例(vstack,hstack)
這篇文章主要介紹了Python numpy實(shí)現(xiàn)數(shù)組合并（官網(wǎng)實(shí)例），涉及vstack,hstack的簡單用法，具有一定借鑒價(jià)值,需要的朋友可以參考下2018-01-01
Python使用get_text()方法從大段html中提取文本的實(shí)例
今天小編就為大家分享一篇Python使用get_text()方法從大段html中提取文本的實(shí)例，具有很好的參考價(jià)值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-08-08
pytorch_pretrained_bert如何將tensorflow模型轉(zhuǎn)化為pytorch模型
這篇文章主要介紹了pytorch_pretrained_bert將tensorflow模型轉(zhuǎn)化為pytorch模型的操作，具有很好的參考價(jià)值，希望對大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2021-06-06
python實(shí)現(xiàn)通過shelve修改對象實(shí)例
這篇文章主要介紹了python實(shí)現(xiàn)通過shelve修改對象實(shí)例,是一個(gè)比較實(shí)用的技巧,需要的朋友可以參考下2014-09-09
今天小編就為大家分享一篇使用python繪制二維圖形示例，具有很好的參考價(jià)值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-11-11
使用python將mysql數(shù)據(jù)庫的數(shù)據(jù)轉(zhuǎn)換為json數(shù)據(jù)的方法
這篇文章主要介紹了使用python將mysql數(shù)據(jù)庫的數(shù)據(jù)轉(zhuǎn)換為json數(shù)據(jù)的方法，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2019-07-07
分析總結(jié)Python數(shù)據(jù)化運(yùn)營KMeans聚類
本文主要以 Python 使用 Keans 進(jìn)行聚類分析的簡單舉例應(yīng)用介紹聚類分析，它是探索性數(shù)據(jù)挖掘的主要任務(wù)，也是統(tǒng)計(jì)數(shù)據(jù)分析的常用技術(shù)，用于許多領(lǐng)域2021-08-08
pyqt5 鍵盤監(jiān)聽按下enter 就登陸的實(shí)例
今天小編就為大家分享一篇pyqt5 鍵盤監(jiān)聽按下enter 就登陸的實(shí)例，具有很好的參考價(jià)值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-06-06
Python腳本按照當(dāng)前日期創(chuàng)建多級目錄
今天小編就為大家分享一篇關(guān)于Python腳本按照當(dāng)前日期創(chuàng)建多級目錄，小編覺得內(nèi)容挺不錯(cuò)的，現(xiàn)在分享給大家，具有很好的參考價(jià)值，需要的朋友一起跟隨小編來看看吧2019-03-03