V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
推荐学习书目
Learn Python the Hard Way
Python Sites
PyPI - Python Package Index
http://diveintopython.org/toc/index.html
Pocoo
值得关注的项目
PyPy
Celery
Jinja2
Read the Docs
gevent
pyenv
virtualenv
Stackless Python
Beautiful Soup
结巴中文分词
Green Unicorn
Sentry
Shovel
Pyflakes
pytest
Python 编程
pep8 Checker
Styles
PEP 8
Google Python Style Guide
Code Style from The Hitchhiker's Guide
xxer
V2EX  ›  Python

pdf 转成 word 用 python 实现

  •  
  •   xxer · 2015-04-30 10:51:12 +08:00 · 8206 次点击
    这是一个创建于 3496 天前的主题,其中的信息可能已经有所发展或是发生改变。

    RT,求教正确姿势。有人用过类似的库吗?实际操作效果如何呢?乱码的情况会不会出现呢?

    13 条回复    2015-05-05 18:11:59 +08:00
    pupboss
        1
    pupboss  
       2015-04-30 11:01:04 +08:00
    我是来搞笑的别打我😂

    import os

    os.rename('test.pdf', 'test.doc')
    andyhenry
        2
    andyhenry  
       2015-04-30 11:05:49 +08:00
    pdf是很难转成其他格式的,和用什么语言无关。即使强制转,和单纯用鼠标复制粘贴也差不多,不能保留任何格式。
    nxbtch
        3
    nxbtch  
       2015-04-30 11:12:00 +08:00
    @pupboss 666
    nowcoder
        4
    nowcoder  
       2015-04-30 12:07:50 +08:00
    不好转。
    staticor
        5
    staticor  
       2015-04-30 14:09:11 +08:00
    pypandoc 试试?
    em70
        6
    em70  
       2015-04-30 14:23:32 +08:00 via Android
    Python不是万能的

    给你个思路,不要纯Python实现,试试去找一个PDF转doc的命令行,python调用命令行来解决。
    xyzasd01
        7
    xyzasd01  
       2015-04-30 18:02:25 +08:00
    命令行:
    “pdftohtml 文件名”

    然后用word打开html就可以了。

    如果要默认word打开,你把.html改成.doc就可以了。
    xyzasd01
        8
    xyzasd01  
       2015-04-30 18:03:39 +08:00
    @xyzasd01

    补充一下。pdftohtml的命令是要安装yum install poppler-utils

    然后你pdftohtml,pdftotext之类的一大堆都可以用了。。

    祝好~
    xyzasd01
        9
    xyzasd01  
       2015-04-30 18:06:51 +08:00
    如果要单纯的去读word。很难,非常难。

    java有tika的库,但是有些读不了,比如猎聘网下载的简历。

    php有phpword,但是只能读取word2007及以上。就是.docx的。

    我的项目遇到的问题:

    读取word,有的是html,有些是真正的word,有些是base64。。。。。。有无数种。。。。需要无数种的方法来读。。html的最简单,base64的要截取一部分,然后unbase64会还原成html。。。。我擦擦
    xxer
        10
    xxer  
    OP
       2015-04-30 18:18:57 +08:00
    @xyzasd01 也就是说pdf转成word都会存在诸如乱码的问题,不论什么语言,是吗
    jedihy
        11
    jedihy  
       2015-04-30 18:26:50 +08:00 via iPhone
    @xxer 本质区别是pdf排版类似于用的矢量绘图的方法。word则是文字的编排。这两种方式是不能完美转换的。
    14
        12
    14  
       2015-04-30 18:37:03 +08:00
    import os
    os.system('libreoffice --headless --convert-to docx my.pdf')
    xyzasd01
        13
    xyzasd01  
       2015-05-05 18:11:59 +08:00
    @xxer 不是说一定乱码,只是可能会发生,word太杂了,什么都有。不标准
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   6044 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 23ms · UTC 02:13 · PVG 10:13 · LAX 18:13 · JFK 21:13
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.