文件格式的转换

,

1. doc2docx

  对于doc文档转docx文档，依赖于操作系统。使用windows时，依赖office；使用ubuntu时，依赖libreoffice。

linux版本

1
2
def doc2docx(doc_path, docx_path):
    os.system(f'soffice --headless --convert-to docx --outdir {docx_path} {doc_path}')

windows版本

1
pip install pywin32
1
2
3
4
5
6
7
8
9
from win32com import client as wc
def doc2docx(doc_path, docx_path):
    # word = wc.Dispatch('Word.Application')
    word = wc.DispatchEx('Word.Application')
    # word.Visible=1
    doc = word.Documents.Open(doc_path)
    doc.SaveAs(docx_path, 16) # 16 docx ４转为txt
    doc.Close()
    word.Quit()

备注 （widows下转换效率比ubuntu高）：

文件名 libreoffice win32
长城电工 8M 36秒 8秒
贝斯达 27.01M 2分钟 12秒

2. doc2pdf

1
2
def doc2pdf(doc_path, pdf_path):
    os.system(f'soffice --headless --convert-to pdf --outdir {pdf_path} {doc_path}')

3. pdf2txt

方法一：

参考pdfplumber

1
pip install pdfplumber

1
2
3
4
5
6
7
8
import pdfplumber
def pdf2txt(input_file, output_file):
    """解析PDF到TEXT"""
    with pdfplumber.open(input_file) as fp_r, open(output_file, 'w') as fp_w:
        pages = fp_r.pages
        for ix, page in enumerate(pages):
            text = page.extract_text()
            fp_w.write(text)

方法二：

1
2
3
import os
def pdf2txt(input_file, output_file):
    os.system(f'pdftotext -layout {input_file} {output_file}')

备注:pdftotext命令行工具转换txt时，不加参数时，字体大小不一致的同一行文本，会转成多行。因此，pdftotext -layout　[source] [target]。其中，pdftotext 工具效率高。

4. pdf2image

参考:pdf2image

1
pip install pdf2image

1
2
3
4
5
6
7
from pdf2image import convert_from_path
import tempfile
def pdf2img(filename, output_dir):
    with tempfile.TemporaryDirectory() as path:
        images = convert_from_path(filename)
        for index, img in enumerate(images):
            img.save(f'{output_dir}/page_{index}.png')

说明：
thread_count ：允许设置用于转换的线程数；
first_page ：允许设置由pdftoppm处理的第一个页面；
last_page：允许设置最后一页由pdftoppm处理；
fmt：允许指定输出格式。目前支持的格式是jpg、png和ppm；
1
2
convert_from_path(pdf_path, dpi=200, output_folder=None, first_page=None, last_page=None, fmt='ppm', use_cropbox=False)
convert_from_bytes(pdf_file, dpi=200, output_folder=None, first_page=None, last_page=None, fmt='ppm', use_cropbox=False)

5.pdf2xml

1
pdftohtml -i -xml [source] [target]