大家在日常的工作学习过程中，都会遇到一个问题就是将pdf中的文本内容转化为word的形式，也就是从只读变成可读写的形式。面对这种情况，大家大都采用网上的工具，但是网上的工具良莠不齐，很难达到我们的需求。
今天，小编就带领大家利用python来实现如何将pdf的内容转化为word文档。同时我们还将提取pdf中的图片，保存到我们的指定文件夹内。
01.文字的提取
我们首先要做的是对于pdf中文本的提取，如下图所示：
Pdf中文字是只允许我们进行只读，但是无法进行更改，所以我们要做的就是提取pdf中的文字信息，然后将提取到的文字写入到word文件当中，让我们能够进行后续的改写。对于文字的提取，我们利用的是pdfminer函数库，其主要的函数如下图所示：
- 程序首先利用get_content_from_pdf函数来返回pdf中提取到的数据；
- 然后分别创建了PDFResourceManager对象来保存共享数据内容，PDFPageAggregator对象来将资源对象处理成我们需要的格式，而PDFPageInterpreter则是用来处理页面的内容；
- 程序中page_index用来帮助我们设定需要提取哪几页的内容，对于我们需要提取的页面，通过创建的PDFPageInterpreter对象来对页面信息进行解释；
- 最后通过PDFPageAggregator对象来对数据进行处理；
我们的pdf是一个两页的pdf文档，我们只让程序去提取第一页的文本，从上图可以看出，程序完整的提取出第一页的文本，没有任何的错误。
02.图片的提取
有了对于文字的处理，接下来我们就来看一下如何提取pdf中的图片，并将其保存到本地。对于图片的提取，程序如下图所示：
上述的程序中，我们利用fitz库来提取pdf文档中的对象，然后通过字符串匹配来判断对象是不是图片类型，如果不是的话，我们直接进行跳过即可。
如果判断对象是图片类型的话，我们边可以通过创建PixMap对象来提取图片，并保存到我们指定的路径下即可。结果如下图所示：
上图可以看出，我们正确的将图片进行了提取，从而达到了我们的图片提取的目的，而且小编也尝试过多个图片的提取，同样也是没有任何压力。可以在短短的几秒内完成pdf文档的所有图片的提取。
以上就是小编为大家带来的pdf转word的提取，我们经过讲解，不仅仅完成了对于pdf文档中文本的提取，而且还完成了对于图片的提取，从而大大的缓解我们工作的压力，提高了工作的效率，大家也赶快下载源码，应用起来吧。
目前wx搜索Python 【菜鸟学Python】排第二，汇聚了30万Python爱好者，累计原创近400篇趣味干货(爬虫，数据分析，算法，面试指南，原创趣味实战，Python游戏，机器学习），欢迎一起学Python，交流指正。
网友评论