2023-05-16 Python pdf2docx 轻松将PD

可将 PDF 转换成 docx 文件的 Python 库。该项目通过 PyMuPDF 库提取 PDF 文件中的数据，然后采用 python-docx 库解析内容的布局、段落、图片、表格等，最后自动生成 docx 文件。
pdf2docx功能

- 解析和创建页面布局
  - 页边距
  - 章节和分栏 (目前最多支持两栏布局)
  - 页眉和页脚 [TODO]

- 解析和创建段落
  - OCR 文本 [TODO] 
  - 水平（从左到右）或竖直（自底向上）方向文本
  - 字体样式例如字体、字号、粗/斜体、颜色
  - 文本样式例如高亮、下划线和删除线
  - 列表样式 [TODO]
  - 外部超链接
  - 段落水平对齐方式 (左/右/居中/分散对齐)及前后间距

- 解析和创建图片
  - 内联图片
    - 灰度/RGB/CMYK等颜色空间图片
    - 带有透明通道图片
    - 浮动图片（衬于文字下方）

- 解析和创建表格
  - 边框样式例如宽度和颜色
  - 单元格背景色
  - 合并单元格
  - 单元格垂直文本
  - 隐藏部分边框线的表格
  - 嵌套表格

- 支持多进程转换

pdf2docx同时解析出了表格内容和样式，因此也可以作为一个表格内容提取工具。
限制

- 目前暂不支持扫描PDF文字识别
- 仅支持从左向右书写的语言（因此不支持阿拉伯语）
- 不支持旋转的文字
- 基于规则的解析无法保证100%还原PDF样式

安装

pip install pdf2docx

案例

from pdf2docx import parse

pdf_file = '/path/to/sample.pdf'
docx_file = 'path/to/sample.docx'

# convert pdf to docx
parse(pdf_file, docx_file)