pdf2docx：Python实现PDF转Word

本文简介作者写的一个PDF转Word的Python库pdf2docx，包括基本思路、功能、使用方法及样例。

https://github.com/dothinking/pdf2docx

1 基本思路

PDF文档遵循一定的规范¹，例如精确定位了每个字符出现在页面上的坐标、根据坐标绘制的各种形状（线、矩形、曲线等）。所以，用PDF格式传输和打印文档可以保证格式的一致性，不会像Word那样因为渲染引擎的不同而出现格式错乱、多页少页等问题。

Word文档则是一种流式布局，元素之间的相对距离决定了其呈现在页面上的最终位置。因此适合编辑内容，前文内容的修改自动促发后续文档布局的更新。

PDF转Word是一个古老的话题，其难点在于建立从PDF基于元素位置的格式到Word基于内容的格式的映射。例如，PDF中实际并不存在段落、表格的概念，仅仅是在给定位置上有一些文本、直线，PDF转Word要做的就是将“横、竖线条围绕着文本”解析为“表格”，将“文本及下方的一条横线”解析为“文本下划线”，等等。

具体实现离不开对PDF文档的版式分析，可以是传统的文档元素位置和内容分析，也可以是机器学习/计算机视觉方法训练模型（尤其是针对扫描的PDF文档）。pdf2docx采用的是前者，基本思路：

利用PyMuPDF获取页面元素，例如文本和形状及其位置；
利用元素间的相对位置关系推断内容；
使用python-docx将上一步解析的内容元素重建为docx格式的Word文档。

以上技术路线也决定了pdf2docx的局限：

无法识别和重建PDF扫描件。
根据有限的、确定的规则建立PDF与docx元素之间的映射并非完全可靠，也就是说仅能处理常见的规范的格式，而非百分百还原。

2. 功能

段落及文本样式
- 段落对齐方式（左/右/居中/分散）及段间距
- 水平（自左向右）或竖直（自底向上）方向的文本
- 字体样式（颜色、字体、大小、粗/斜体）
- 文本样式（高亮、下划线、删除线、超链接）
- 列表样式
图片
- 段落内嵌入型图片
- 衬于文本下方的浮动型图片
- 支持Gray/RGB/CMYK等颜色模式及透明背景图片
表格及其样式
- 边框样式（粗细、颜色）
- 单元格背景色
- 合并的单元格
- 隐藏部分边框的表格（例如三线表）
- 嵌套表格
支持多进程并行处理

3. 快速上手

pdf2docx支持Windows和Linux平台，要求Python版本>=3.6。

首先，通过pip安装：

$ pip install pdf2docx

作为Python库使用

from pdf2docx import Converterpdf_file = '/path/to/sample.pdf'
docx_file = 'path/to/sample.docx'# convert pdf to docx
cv = Converter(pdf_file)
cv.convert(docx_file, start=0, end=None)
cv.close()

其中，start和end参数指定转换页码的范围（下标默认从0开始），默认从第一页到最后一页；也可以通过pages指定不连续的页面，例如pages=[1,3,5]。

作为命令行工具使用

pdf2docx也可以作为一个命令行工具，直接在命令窗口中使用：

$ pdf2docx convert /path/to/pdf /path/to/docx

同理可以通过--start、--end或者--pages指定页面范围。

更多说明参考文档²。

4. 样例

首先看一个综合样例，涉及段落、文本样式、表格样式及图片。
基本表格（第一行标题存在一点瑕疵，不过可以手动回车调整）
复杂一些的表格（椭圆章上旋转角度的字都丢掉了，目前无能为力，仅支持水平、竖直的文字；密码区同上一例，第三行字符“49”后面需要手动加一个软回车）
最后，看一个浮动图片的例子

PDF Reference 1.7 ↩︎
pdf2docx documentation ↩︎