可將 PDF 轉(zhuǎn)換成 docx 文件的 Python 庫。該項目通過 PyMuPDF 庫提取 PDF 文件中的數(shù)據(jù)，然后采用 python-docx 庫解析內(nèi)容的布局、段落、圖片、表格等，最后自動生成 docx 文件。

pdf2docx功能

- 解析和創(chuàng)建頁面布局

  - 頁邊距

  - 章節(jié)和分欄 (目前最多支持兩欄布局)

  - 頁眉和頁腳 [TODO]

- 解析和創(chuàng)建段落

  - OCR 文本 [TODO] 

  - 水平（從左到右）或豎直（自底向上）方向文本

  - 字體樣式例如字體、字號、粗/斜體、顏色

  - 文本樣式例如高亮、下劃線和刪除線

  - 列表樣式 [TODO]

  - 外部超鏈接

  - 段落水平對齊方式 (左/右/居中/分散對齊)及前后間距

- 解析和創(chuàng)建圖片

  - 內(nèi)聯(lián)圖片

    - 灰度/RGB/CMYK等顏色空間圖片

    - 帶有透明通道圖片

    - 浮動圖片（襯于文字下方）

- 解析和創(chuàng)建表格

  - 邊框樣式例如寬度和顏色

  - 單元格背景色

  - 合并單元格

  - 單元格垂直文本

  - 隱藏部分邊框線的表格

  - 嵌套表格

- 支持多進程轉(zhuǎn)換

pdf2docx同時解析出了表格內(nèi)容和樣式，因此也可以作為一個表格內(nèi)容提取工具。

限制

- 目前暫不支持掃描PDF文字識別

- 僅支持從左向右書寫的語言（因此不支持阿拉伯語）

- 不支持旋轉(zhuǎn)的文字

- 基于規(guī)則的解析無法保證100%還原PDF樣式

安裝

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)

Run