使用Python将PDF转换为.docx

Question

我正在努力寻找用Python将PDF文件转换为.docx文件的方法。

我见过其他与此相关的帖子，但在我的情况下，它们似乎都不正常。

我特别使用

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]，但在我的文件夹中找不到任何.docx文档。

我已经安装了LibreOffice 5.3。

有什么线索吗？

提前谢谢你！

Answer 1

我对多个文件使用此选项

####
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)

Answer 2

我的方法与使用子系统的方法不同。然而，这一项的工作是读取PDF文档的所有页面，并将它们移动到docx文件中。注意：它只适用于文本；图像和其他对象通常被忽略。

#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. 

Answer 3

我不知道如何使用libreoffice将pdf文件转换成Word文件。
但是，您可以从pdf转换为html，然后转换html到docx。
首先，获取在命令行上运行的命令。（以下是Linux。因此，您可能必须填写soffice二进制文件的路径名称，并在操作系统上为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

您应该以以下方式结束：

my_pdf_file.pdf
my_pdf_file.html
my_pdf_file.docx

现在将命令包装到子流程中