一、前期准备

可将 PDF 转换成 docx 文件的 Python 库。该项目通过 PyMuPDF 库提取 PDF 文件中的数据，然后采用 python-docx 库解析内容的布局、段落、图片、表格等，最后自动生成 docx 文件。

第一步，下载 PyMuPDF 包：

pip install PyMuPDF

第二步，下载 python-docx 包：

pip install python-docx

第三步，下载 pdf2docx 包：

pip install pdf2docx

二、pdf2docx功能

• 解析和创建页面布局

（1）页边距

（2）章节和分栏 (目前最多支持两栏布局)

（3）页眉和页脚 [TODO]

• 解析和创建段落

（1）OCR 文本 [TODO]

（2）水平（从左到右）或竖直（自底向上）方向文本

（3）字体样式例如字体、字号、粗/斜体、颜色

（4）文本样式例如高亮、下划线和删除线

（5）列表样式 [TODO]

（6）外部超链接

（7）段落水平对齐方式 (左/右/居中/分散对齐)及前后间距

• 解析和创建图片

（1）内联图片

（2）灰度/RGB/CMYK等颜色空间图片

（3）带有透明通道图片

（4）浮动图片（衬于文字下方）

• 解析和创建表格

（1）边框样式例如宽度和颜色

（2）单元格背景色

（3）合并单元格

（4）单元格垂直文本

（5）隐藏部分边框线的表格

（6）嵌套表格

• 支持多进程转换

pdf2docx 同时解析出了表格内容和样式，因此也可以作为一个表格内容提取工具。

三、限制

• 目前暂不支持扫描PDF文字识别
• 仅支持从左向右书写的语言（因此不支持阿拉伯语）
• 不支持旋转的文字
• 基于规则的解析无法保证100%还原PDF样式

四、案例

我们有这样一篇PDF：

代码如下：

from pdf2docx import parse
pdf_file = './ResNet.pdf'
docx_file = './resnet.docx'
# convert pdf to docx
parse(pdf_file, docx_file)

输出结果为：

效果还可以，不过会缺失一部分数据！