基于Python实现PDF转换文件格式

pip install pymupdf -i https://mirrors.aliyun.com/pypi/simple
pip install pdf2docx -i https://mirrors.aliyun.com/pypi/simple

import datetime
import os
# fitz就是pip install pymupdf
import fitz
# pdf2docx 也是封装 fitz 模块为基础开发的
from pdf2docx import converter
 
'''
pdf 转换工具包
pdf 转成 word
pdf 转成 图片
pdf 转成 html
'''
 
 
def pdf2word(file_path):
    '''
    @方法名称: pdf转word
    @中文注释: pdf转word
    @入参:
        @param file_path str pdf文件路径
    @出参:
        @返回状态:
            @return 0 失败或异常
            @return 1 成功
        @返回错误码
        @返回错误信息
        @param doc_file str word文件名
    @作    者: pandacode辉
    @创建时间: 2023-10-16
    @使用范例: pdf2word('test.pdf')
    '''
    try:
        if (not type(file_path) is str):
            return [0, "111111", "pdf文件路径参数类型错误,不为字符串", [none]]
        # 开始时间
        starttime = datetime.datetime.now()
        # 提取文件名，去除文件后缀
        file_name = file_path.split('.')[0]
        print(file_name)
        # word文件名
        doc_file = f'{file_name}.docx'
        print(doc_file)
        p2w = converter(file_path)
        '''
        convert(doc_file,start,end)函数中
        doc_file：转化完成后文件名
        start：转化开始页面
        end：转化结束页面
        注意点：
        ①若不给start，end参数则默认转化全篇
        ②对于不连续的页面，也可写作convert(doc_file , pages = [2,4,6])
        '''
        p2w.convert(doc_file, start=0, end=none)
        p2w.close()
        endtime = datetime.datetime.now()  # 结束时间
        print('pdf转word耗时： %s 秒' % (endtime - starttime).seconds)
        print("pdf转word成功")
        # 返回容器
        return [1, '000000', 'pdf转word成功', [doc_file]]
 
    except exception as e:
        p2w.close()
        print("pdf转word异常," + str(e))
        return [0, '999999', "pdf转word异常," + str(e), [none]]
 
 
def pdf2image(file_path, image_path):
    '''
    @方法名称: pdf转图片
    @中文注释: pdf转图片
    @入参:
        @param file_path str pdf文件路径
        @param image_path str 输出图片路径
    @出参:
        @返回状态:
            @return 0 失败或异常
            @return 1 成功
        @返回错误码
        @返回错误信息
        @param image_path str 输出图片路径
    @作    者: pandacode辉
    @创建时间: 2023-10-16
    @使用范例: pdf2image('test.pdf', './images')
    '''
    try:
        if (not type(file_path) is str):
            return [0, "111111", "pdf文件路径参数类型错误,不为字符串", [none]]
        if (not type(image_path) is str):
            return [0, "111112", "输出图片路径参数类型错误,不为字符串", [none]]
        # 开始时间
        starttime = datetime.datetime.now()
        print("pdfpath=" + file_path)
        # 提取文件名，去除文件后缀
        file_name = file_path.split('.')[0]
        print(file_name)
        print("imagepath=" + imagepath)
        # 打开pdf文档
        pdfdoc = fitz.open(file_path)
        # 判断存放图片的文件夹是否存在
        if not os.path.exists(image_path):
            # 若图片文件夹不存在就创建
            os.makedirs(image_path)
        # document.page_count	页数 (int)
        # 循环页数
        for pg in range(pdfdoc.page_count):
            print('=======%s========' % (pg + 1))
            '''
            页面(page)处理是mupdf功能的核心。
            您可以将页面呈现为光栅或矢量（svg）图像，可以选择缩放、旋转、移动或剪切页面。
            您可以提取多种格式的页面文本和图像，并搜索文本字符串。
            对于pdf文档，可以使用更多的方法向页面添加文本或图像。
            '''
            page = pdfdoc[pg]
            rotate = int(0)
            # 每个尺寸的缩放系数为1.3，这将为我们生成分辨率提高2.6的图像。
            # 此处若是不做设置，默认图片大小为：792x612, dpi=96
            zoom_x = 1.33333333  # (1.33333333-->1056x816)   (2-->1584x1224)
            zoom_y = 1.33333333
            mat = fitz.matrix(zoom_x, zoom_y).prerotate(rotate)
            '''
            pix是一个pixmap对象，它（在本例中）包含页面的rgb图像，可用于多种用途。
            方法page.get_pixmap()提供了许多用于控制图像的变体：分辨率、颜色空间（例如，生成灰度图像或具有减色方案的图像）、
            透明度、旋转、镜像、移位、剪切等。        
            例如：创建rgba图像（即，包含alpha通道），指定pix=page.get_pixmap（alpha=true）。        
            pixmap包含以下引用的许多方法和属性。其中包括整数宽度、高度（每个像素）和跨距（一个水平图像行的字节数）。
            属性示例表示表示图像数据的矩形字节区域（python字节对象）。        
            还可以使用page.get_svg_image()创建页面的矢量图像。
            '''
            pix = page.get_pixmap(matrix=mat, alpha=false)
            # 将图片写入指定的文件夹内
            pix.save(image_path + '/' + file_name + '_%s.png' % (pg + 1))
        endtime = datetime.datetime.now()  # 结束时间
        print('pdf转图片耗时： %s 秒' % (endtime - starttime).seconds)
        print("pdf转图片成功")
        # 返回容器
        return [1, '000000', '"pdf转图片成功', [image_path]]
 
    except exception as e:
        print("pdf转图片异常," + str(e))
        return [0, '999999', "pdf转图片异常," + str(e), [none]]
 
 
def pdf2html(file_path):
    '''
    @方法名称: pdf转html
    @中文注释: pdf转html
    @入参:
        @param file_path str pdf文件路径
    @出参:
        @返回状态:
            @return 0 失败或异常
            @return 1 成功
        @返回错误码
        @返回错误信息
        @param out_file str html文件名
    @作    者: pandacode辉
    @创建时间: 2023-10-16
    @使用范例: pdf2html('test.pdf')
    '''
    try:
        if (not type(file_path) is str):
            return [0, "111111", "pdf文件路径参数类型错误,不为字符串", [none]]
        # 开始时间
        starttime = datetime.datetime.now()
        print("pdfpath=" + pdfpath)
        # 打开pdf文档
        pdfdoc = fitz.open(pdfpath)
        # 提取文件名，去除文件后缀
        file_name = pdfpath.split('.')[0]
        print(file_name)
        out_file = f'{file_name}.html'
        print(out_file)
        # 打开文件，首次创建写入
        fo = open(out_file, "w+", encoding="utf-8")
        # document.page_count	页数 (int)
        # 循环页数
        for pg in range(pdfdoc.page_count):
            print('=======%s========' % (pg + 1))
            '''
            页面(page)处理是mupdf功能的核心。
            您可以将页面呈现为光栅或矢量（svg）图像，可以选择缩放、旋转、移动或剪切页面。
            您可以提取多种格式的页面文本和图像，并搜索文本字符串。
            对于pdf文档，可以使用更多的方法向页面添加文本或图像。
            '''
            page = pdfdoc[pg]
            '''
            提取文本和图像 page.get_text(opt) 
                我们还可以以多种不同的形式和细节级别提取页面的所有文本、图像和其他信息：
                对opt使用以下字符串之一以获取不同的格式：
                "text"：（默认）带换行符的纯文本。无格式、无文字位置详细信息、无图像
                "blocks"：生成文本块（段落）的列表
                "words"：生成单词列表（不包含空格的字符串）
                "html"：创建页面的完整视觉版本，包括任何图像。这可以通过internet浏览器显示
                "dict" / "json"：与html相同的信息级别，但作为python字典或resp.json字符串。
                "rawdict" / "rawjson"："dict" / "json"
                的超级集合。它还提供诸如xml之类的字符详细信息。
                "xhtml"：文本信息级别与文本版本相同，但包含图像。
                "xml"：不包含图像，但包含每个文本字符的完整位置和字体信息。使用xml模块进行解释
            '''
            # html 格式保存原pdf文本和图片样式还行
            # text = page.get_text('html')
            # xhtml 格式保存原pdf文本和图片样式更好
            text = page.get_text('xhtml')
            # 写入文件
            fo.write(text)
        # 关闭文件
        fo.close()
        endtime = datetime.datetime.now()  # 结束时间
        print('pdf转html耗时： %s 秒' % (endtime - starttime).seconds)
        print("pdf转html成功")
        # 返回容器
        return [1, '000000', '"pdf转html成功', [out_file]]
 
    except exception as e:
        # 关闭文件
        fo.close()
        print("pdf转html异常," + str(e))
        return [0, '999999', "pdf转html异常," + str(e), [none]]
 
 
if __name__ == "__main__":
    # pdf地址
    pdfpath = 'test.pdf'
 
    # 1，pdf转word
    pdf2word(pdfpath)
 
    # 储存图片的目录
    imagepath = './images'
    # 2，pdf转图片
    pdf2image(pdfpath, imagepath)
 
    # 3，pdf转html
    pdf2html(pdfpath)