python pdfをwordに変換

今日はpdfでwordに変換する操作を試してみましたが、参考にした他の人のコードでもあります.アドレスは:https://github.com/python-fan/pdf2wordああ、変更して、マルチスレッドを削除して、このコードにはいくつかの欠点があります.

スキャン版は

に変換できません.

は、主にテキストに変換され、フォーマットされていない

一部のフォントは

に変換できません.
この中には改善できるところがたくさんあるので、大牛がこのプロジェクトを推進することを期待しています.
コードに必要な環境は次のとおりです.

attrs==17.4.0
lxml==4.1.1
pdfminer3k==1.3.1
pluggy==0.6.0
ply==3.11
py==1.5.2
pytest==3.4.1
python-docx==0.8.6
six==1.11.0

コードを共有します.

import os
from configparser import ConfigParser
from io import StringIO
from io import open
from concurrent.futures import ProcessPoolExecutor

from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.pdfinterp import process_pdf
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from docx import Document
import logging
logging.Logger.propagate = False
logging.getLogger().setLevel(logging.ERROR)
import re


def read_from_pdf(file_path):
    with open(file_path, 'rb') as file:
        resource_manager = PDFResourceManager()
        return_str = StringIO()
        lap_params = LAParams()

        device = TextConverter(
            resource_manager, return_str, laparams=lap_params)
        process_pdf(resource_manager, device, file)
        device.close()

        content = return_str.getvalue()
        return_str.close()
        return content

def save_text_to_word(content, file_path):
    doc = Document()
    for line in content.split('
'):
        paragraph = doc.add_paragraph()
        paragraph.add_run(remove_control_characters(line))
    doc.save(file_path)

def remove_control_characters(content):
    mpa = dict.fromkeys(range(32))
    return content.translate(mpa)

def pdf_to_word(pdf_file_path, word_file_path):
    content = read_from_pdf(pdf_file_path)
    content = re.compile(r'([0-9a-zA-Z_])
([0-9a-zA-Z_])').sub(r'\1 \2', content)
    content0 = re.compile(r'(-)
([0-9a-zA-Z_])').sub(r'\2', content)
    content1 = re.compile(r' 
 ').sub(r'', content0)
    content_2 = re.compile(r'([^.])
').sub(r'\1', content1)
    content_compile = re.compile(r'\(cid:\d{1,2}\)').sub(r'', content_2)
    save_text_to_word(content, word_file_path)


if __name__ == "__main__":
    root_path='pdf'
    for file in os.listdir(root_path):
        extension_name = os.path.splitext(file)[1]
        if extension_name != '.pdf':
                continue
        file_name = os.path.splitext(file)[0]
        pdf_file = root_path + '/' + file
        word_file = root_path + '/' + file_name + '.docx'
        print('    : ', file)
        pdf_to_word(pdf_file,word_file)

私はmac環境でテストしたので、後日スキャン版のpdf解析を共有します.もちろん使用範囲にも限界があります.
参考文献
[1].PYTHONコードはPDFをWORDに一括転送することを教えます. https://www.cnblogs.com/wumingxiaoyao/p/8460973.html
[2].Pythonを使用してPDFをwordに変換します. https://www.jianshu.com/p/49c5abfee649