前言

本文的文字及圖片來源於網路,僅供學習、交流使用,不具有任何商業用途,版權歸原作者所有,如有問題請及時聯繫我們以作處理。

項目背景

1. 網上PDF轉換工具眼花繚亂，選擇困難症，有些甚至還收費；
2. 直接以其他格式打開PDF效果一般較差；
3. 有些小可愛通過複製粘貼的方式進行操作，浪費了大量的時間。

那麼，有沒有什麼辦法可以秒速解決這些問題呢？沒錯，Python可以。廢話不多說，直接上實操。

項目實操

一、PDF轉Text

首先，安裝一下操作PDF的庫pdfplumber。pdfplumber 可以很好的讀取 PDF 文件內容和提取 PDF 中的表格，這個庫不屬於 Python 標準庫，需要單獨安裝。

pip3 install pdfplumber

安裝好了之後，咱導入pdfplumber。

import pdfplumber

打開PDF論文，並提取論文第2頁面內容。

with pdfplumber.open("興業B信托項目風險管理研究.pdf") as p:
    page = p.pages[2]
    textdata = page.extract_text()

列印一下textdata，提取到了第2頁的內容如下：

此時，你也許疑問了，一篇碩士論文至少也50多頁吧。沒錯，我下載的這篇論文有75頁，咱還得加個for迴圈，把所有頁面內容提取下來。

with pdfplumber.open("興業B信托項目風險管理研究.pdf") as p:
    for i in range(75):
        page = p.pages[i]
        textdata = page.extract_text()
        #print(textdata)

內容都提取出來了，接下來就是保存為text文本。"a"為指定寫入模式為追加寫入。完整代碼如下：

#PDF轉Text
import pdfplumber
with pdfplumber.open("興業B信托項目風險管理研究.pdf") as p:
    for i in range(75):
        page = p.pages[i]
        textdata = page.extract_text()
        #print(textdata)
        data = open("text.text", "a")
        data.write(textdata)

二、PDF轉Word

需要安裝一下操作Word的庫python-docx。

pip3 install python-docx

導入Document方法。

from docx import Document

打開PDF論文，並提取論文第2頁面內容。

with pdfplumber.open("興業B信托項目風險管理研究.pdf") as p:
        page = p.pages[2]
        textdata = page.extract_text()

新建Word文檔，並將提取的內容存儲到裡面。

document = Document()  #新建一個空白的word文檔
content = document.add_paragraph(textdata)  #在文檔中添加正文段落，將變數textdata導進去
document.save("word.docx")  #保存文檔docx，命名為word

完整代碼如下：

#PDF轉Word1import pdfplumber
from docx import Document
with pdfplumber.open("興業B信托項目風險管理研究.pdf") as p:
        page = p.pages[2]
        textdata = page.extract_text()
        #print(textdata)
        document = Document()  #新建一個空白的word文檔
        content = document.add_paragraph(textdata)  #在文檔中添加正文段落，將變數textdata導進去
        document.save("word.docx")  #保存文檔docx，命名為word

如果要提取全部，加迴圈。

三、PDF轉Excel

這裡所說的PDF轉Excel不是全文轉Excel，而是對論文中的部分表格進行格式轉換，方便在Excel中對數據進行篩選、計算等操作。

本案例PDF論文中第69-75頁為附錄部分，貼的是財務報表數據，截取部分內容，長這樣：

首先，安裝並導入操作Excel表格的庫openpyxl。

pip3 install openpyxlfrom openpyxl import Workbook

打開PDF論文，提取論文第69-75頁表格內容，註意這裡range左開右閉。

with pdfplumber.open("興業B信托項目風險管理研究.pdf") as p:
    for i in range(68,75):  #遍歷69頁-75頁
        page = p.pages[i]
        table = page.extract_table()
        #print(table)

新建空白的Excel文件，按行寫入從PDF提取的表格數據內容。完整代碼如下：

 #PDF轉Excel 
 import pdfplumber
 from openpyxl import Workbook
 with pdfplumber.open("興業B信托項目風險管理研究.pdf") as p:
     workbook = Workbook()  #新建空白Excel工作簿
     sheet = workbook.active  #激活sheet
     for i in range(68,75):  #遍歷69頁-75頁
         page = p.pages[i]
         table = page.extract_table() #提取表格數據
        #print(table)
        for row in table:  #遍歷所有行
            #print(row)
            sheet.append(row) #按行追加寫入數據
        workbook.save("Excel.xlsx") #保存文件，命名為Excel
        i += 1
        print("第%d頁PDF提取完成"%i) #提示提取進度

最終效果如下，好像還可以。

結 語

到這呢，Python對PDF論文的簡單操作就基本結束了。但還有一些值得探討的問題，比如如果有100個PDF且頁數都不一樣怎麼辦？即使全部提取下來，文件的格式問題如果優化？提取的多個Excel表格如何合併到一個sheet？首先肯定的告訴你，python都能解決，我以後也還會寫相關的Python操作。

歡迎點擊右上角關註小編，除了分享技術文章之外還有很多福利，私信學習資料可以領取包括不限於Python實戰演練、PDF電子文檔、面試集錦、學習資料等。