python實現(xiàn)pdf轉word和excel的示例代碼
更新時間：2025年01月22日 08:26:09 作者：PandaCode輝
本文主要介紹了python實現(xiàn)pdf轉word和excel的示例代碼,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧
一、引言
在辦公中，我們經(jīng)常遇收到pdf文件格式，因為pdf格式文件不易修改，當我們需要編輯這些pdf文件時，經(jīng)常需要開通會員或收費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編程實現(xiàn)，將PDF文件輕松轉換成Word和Excel格式，讓編輯變得輕而易舉。
二、python編程
要將PDF轉換為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。這涉及到復雜的文本識別和格式轉換技術。
使用過如下幾個庫：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：pdf2docx 是一個將 PDF 文件轉換為 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 https://pypi.tuna.tsinghua.edu.cn/simple/
阿里云 http://mirrors.aliyun.com/pypi/simple/
中國科技大學 https://pypi.mirrors.ustc.edu.cn/simple/
中國科學技術大學 http://pypi.mirrors.ustc.edu.cn/simple/
1，PDF轉Word
from pdf2docx import Converter
# pdf轉word方法
def pdf_to_word(pdf_path, word_path=None, page_nums=None):
'''
@方法名稱: pdf轉word
@中文注釋: pdf轉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
@返回錯誤碼
@返回錯誤信息
@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)
# 初始化轉換器
cv = Converter(pdf_path)
# 轉換整本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)
# 轉換指定頁碼
cv.convert(docx_filename=word_path, pages=pages)
else:
# 轉換整本PDF
cv.convert(docx_filename=word_path, start=0)
# 保存為Word文檔
cv.close()
# 識別時間
end_time = time.time()
# 計算耗時差，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('處理時間:' + str(recognize_time) + '毫秒')
result_dict["recognize_time"] = recognize_time
result_dict["error_code"] = "000000"
result_dict["error_msg"] = "pdf轉word成功"
# 使用os.path.basename()獲取文件名
word_file_name = os.path.basename(word_path)
# 打印結果
# 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word異常," + str(e))
result_dict["error_code"] = "999999"
result_dict["error_msg"] = "PDF到Word轉換過程中發(fā)生錯誤," + str(e)
return result_dict2，PDF轉Excel
要將PDF轉換為Excel，目前沒有現(xiàn)成的轉換庫，需要稍加處理下。
使用過如下幾個庫：
(一)、使用 pdf2docx 庫 和 docx 庫 和 pandas 庫
先將pdf轉成word文檔，然后讀取word文檔中的表格內(nèi)容，然后再轉成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excel方法
def pdf_to_excel(pdf_path, xlsx_path=None, page_nums=None):
'''
@方法名稱: pdf轉excel
@中文注釋: pdf轉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
@返回錯誤碼
@返回錯誤信息
@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，無法轉成xlsx文檔."
return result_dict
# 創(chuàng)建一個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"轉換完成，結果保存在{xlsx_path}中。")
else:
result_dict["error_code"] = rsp_dict["error_code"]
result_dict["error_msg"] = rsp_dict["error_msg"]
return result_dict
# 識別時間
end_time = time.time()
# 計算耗時差，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('處理時間:' + str(recognize_time) + '毫秒')
result_dict["recognize_time"] = recognize_time
result_dict["error_code"] = "000000"
result_dict["error_msg"] = "pdf轉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excel異常," + str(e))
result_dict["error_code"] = "999999"
result_dict["error_msg"] = "PDF到excel轉換過程中發(fā)生錯誤," + 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excel
@中文注釋: pdf轉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
@返回錯誤碼
@返回錯誤信息
@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，無法轉成xlsx文檔."
return result_dict
# 創(chuàng)建一個 Excel 的寫入器
with pd.ExcelWriter(xlsx_path) as writer:
# 轉換整本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)
# 轉換指定頁碼
for i in pages:
page = pdf.pages[i]
# 提取當前頁的表格數(shù)據(jù)
table = page.extract_table()
if table:
# 將表格數(shù)據(jù)轉換為 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:
# 轉換整本PDF
for i, page in enumerate(pdf.pages, start=1):
# 提取當前頁的表格數(shù)據(jù)
table = page.extract_table()
if table:
# 將表格數(shù)據(jù)轉換為 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)
# 識別時間
end_time = time.time()
# 計算耗時差，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('處理時間:' + str(recognize_time) + '毫秒')
result_dict["recognize_time"] = recognize_time
result_dict["error_code"] = "000000"
result_dict["error_msg"] = "pdf轉excel成功"
# 使用os.path.basename()獲取文件名
xlsx_file_name = os.path.basename(xlsx_path)
# 打印結果
# 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)轉換為兆字節(jié)
file_size_mb = file_size_bytes / (1024 * 1024)
# 打印結果
# print("文件大小（兆字節(jié)）:", file_size_mb)
result_dict["file_size_mb"] = file_size_mb
return result_dict
except Exception as e:
print("pdf轉excel異常," + str(e))
result_dict["error_code"] = "999999"
result_dict["error_msg"] = "PDF到excel轉換過程中發(fā)生錯誤," + str(e)
return result_dict三、前端頁面效果展示
1，選擇PDF文件
2，選擇轉換類型：PDF轉Word 和 PDF轉Excel
3，頁面范圍：可選參數(shù)，不選則全部轉換
總結
- pdf2docx 和 PyMuPDF 是pdf轉word更直接的選擇，因為它們專門用于轉換 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。
到此這篇關于python實現(xiàn)pdf轉word和excel的文章就介紹到這了,更多相關python實現(xiàn)pdf轉word和excel內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
利用Python實現(xiàn)某OA系統(tǒng)的自動定位功能
這篇文章主要介紹了利用Python實現(xiàn)某OA系統(tǒng)的自動定位功能,本文通過圖文實例相結合給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2020-05-05
關于Python3的import問題(pycharm可以運行命令行import錯誤)
這篇文章主要介紹了關于Python3的import問題(pycharm可以運行命令行import錯誤),文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2020-11-11
這篇文章主要給大家介紹了關于cuda突然不能用了的完美解決方法,文中通過圖文介紹的非常詳細,對大家學習或者使用cuda具有一定的參考學習價值,需要的朋友可以參考下2023-06-06
Python3.4實現(xiàn)從HTTP代理網(wǎng)站批量獲取代理并篩選的方法示例
這篇文章主要介紹了Python3.4實現(xiàn)從HTTP代理網(wǎng)站批量獲取代理并篩選的方法,涉及Python網(wǎng)絡連接、讀取、判斷等相關操作技巧,需要的朋友可以參考下2017-09-09
Gradio是一款便捷的Python庫,專門用于創(chuàng)建機器學習模型的Web應用,安裝通常簡單,但偶爾會遇到依賴問題或環(huán)境配置錯誤,這篇文章主要介紹了Python安裝Gradio和常見安裝問題解決辦法,需要的朋友可以參考下2024-10-10
這篇文章主要介紹了Django中的JWT身份驗證的實現(xiàn)，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2021-05-05
基于Python實現(xiàn)的百度貼吧網(wǎng)絡爬蟲實例
這篇文章主要介紹了基于Python實現(xiàn)的百度貼吧網(wǎng)絡爬蟲,實例分析了Python實現(xiàn)網(wǎng)絡爬蟲的相關技巧,非常具有實用價值,需要的朋友可以參考下2015-04-04
這篇文章主要介紹了python爬蟲爬取糗事百科段子,詳細介紹下，如何來抓取到糗事百科里面的指定內(nèi)容，感興趣的小伙伴們可以參考一下2016-02-02
Python Django框架實現(xiàn)應用添加logging日志操作示例
這篇文章主要介紹了Python Django框架實現(xiàn)應用添加logging日志操作,結合實例形式分析了Django框架中添加Python內(nèi)建日志模塊相關操作技巧,需要的朋友可以參考下2019-05-05
這篇文章主要介紹了在無網(wǎng)絡環(huán)境下搭建Linux版openwebui的詳細步驟,包括下載依賴包、拷貝whl包到無網(wǎng)絡環(huán)境進行安裝、解決安裝過程中可能出現(xiàn)的問題,文中通過圖文介紹的非常詳細,需要的朋友可以參考下2025-02-02