使用 Python 将 PDF 转换为 .docx答案

【问题标题】：Convert PDF to .docx with Python使用 Python 将 PDF 转换为 .docx
【发布时间】：2018-10-02 14:21:20
【问题描述】：

我正在努力寻找使用 Python 将 PDF 文件转换为 .docx 文件的方法。

我看过与此相关的其他帖子，但在我的情况下，它们似乎都不能正常工作。

我是专门用的

import os
import subprocess

for top, dirs, files in os.walk('/my/pdf/folder'):
    for filename in files:
        if filename.endswith('.pdf'):
            abspath = os.path.join(top, filename)
            subprocess.call('lowriter --invisible --convert-to doc "{}"'
                            .format(abspath), shell=True)

这给了我输出 [1]，但是我在我的文件夹中找不到任何 .docx 文档。

我安装了 LibreOffice 5.3。

有什么线索吗？

提前谢谢你！

【问题讨论】：

在终端窗口中尝试lowriter --invisible --convert-to doc "/my/pdf/folder/filename.pdf"。
@Goyo 谢谢。但我无法在终端中运行这个突击队。它不会将 lowriter 识别为可执行命令。这是为什么呢？
我怎么知道？这可能与您安装 libreoffice 的方式有关。但是你最好想清楚，你不能自己运行程序的时候，不能指望python来运行它。
你的操作系统是什么？使用my answer from two weeks ago，但修改路径。
@JimK 非常感谢。我最近看到了你的帖子，我用它来解决我的麻烦，它非常适合将 pdf 转换为 odg。（出于这个原因，我检查了您的答案）。但是，我一直在寻找转换为 .docx 的方法，这似乎更困难......无论如何，我的操作系统是 Windows 7。

标签： python pdf docx libreoffice doc

【解决方案1】：

我不知道使用 libreoffice 将 pdf 文件转换为 Word 文件的方法。
但是，您可以从pdf 转换为html，然后将html 转换为docx。
首先，获取在命令行上运行的命令。（以下是在 Linux 上。因此您可能需要填写 soffice 二进制文件的路径名，并为您的操作系统上的输入文件使用完整路径）

soffice --convert-to html ./my_pdf_file.pdf

然后

soffice --convert-to docx:'MS Word 2007 XML' ./my_pdf_file.html

你应该得到：

my_pdf_file.pdf
my_pdf_file.html
my_pdf_file.docx

现在将命令包装在您的 subprocess 代码中

【讨论】：

【解决方案2】：

我的方法与使用子系统的方法不同。但是，这个功能可以阅读 PDF 文档的所有页面并将它们移动到 docx 文件中。注意：它仅适用于文本；图像和其他对象通常会被忽略。

#Description: This python script will allow you to fetch text information from a pdf file

#import libraries

import PyPDF2
import os
import docx

mydoc = docx.Document() # document type
pdfFileObj = open('pdf/filename.pdf', 'rb') # pdffile loction
pdfReader = PyPDF2.PdfFileReader(pdfFileObj) # define pdf reader object

# Loop through all the pages

for pageNum in range(1, pdfReader.numPages):
        pageObj = pdfReader.getPage(pageNum)
        pdfContent = pageObj.extractText()  #extracts the content from the page. 
        print(pdfContent) # print statement to test output in the terminal. codeline optional.
        mydoc.add_paragraph(pdfContent) # this adds the content to the word document
        
mydoc.save("pdf/filename.docx") # Give a name to your output file.

【讨论】：

【解决方案3】：

我将它用于多个文件

####
from pdf2docx import Converter
import os

# # # dir_path for input reading and output files & a for loop # # #

path_input = '/pdftodocx/input/'
path_output = '/pdftodocx/output/'

for file in os.listdir(path_input):
    cv = Converter(path_input+file)
    cv.convert(path_output+file+'.docx', start=0, end=None)
    cv.close()
    print(file)

【讨论】：

【解决方案4】：

我已经用 pdf2docx 成功地做到了：

from pdf2docx import parse
pdf_file = "test.pdf"
word_file = "test.docx"
parse(pdf_file, word_file, start=0, end=None)

【讨论】：

表示无法打开文件

【解决方案5】：

以下代码对我有用。

import win32com.client
word = win32com.client.Dispatch("Word.Application")
word.visible = 1
pdfdoc = 'NewDoc.pdf'
todocx = 'NewDoc.docx'
wb1 = word.Documents.Open(pdfdoc)
wb1.SaveAs(todocx, FileFormat=16)  # file format for docx
wb1.Close()
word.Quit()

【讨论】：