PythonでPDFをWordに変換するには

2年 ago
結衣, 春花
1 minute

PythonのpytesseractライブラリでPDFファイルをテキストに変換し、Python-docxライブラリでテキストをWordドキュメントに変換できます。

最初に、以下のライブラリをインストールする必要があります：

  1. pytesseract：PDFファイルからテキストに変換する
  2. pdf2image：PDFファイルから画像を作成する
  3. 枕：イメージを処理するために使われる
  4. python-docx：テキストをワード文書に変換するのに使用されます

以下のコマンドでこれらのライブラリをインストールできます。

pip install pytesseract pdf2image pillow python-docx

次に、以下のコードを使用して PDF ファイルを Word ドキュメントに変換できます。

import pytesseract
from pdf2image import convert_from_path
from PIL import Image
from docx import Document
# 指定PDF文件路径
pdf_path = 'path/to/pdf/file.pdf'
# 将PDF文件转换为图像
images = convert_from_path(pdf_path)
# 创建一个Word文档对象
doc = Document()
# 遍历图像列表，并将每个图像转换为文本，然后将文本添加到Word文档中
for i, image in enumerate(images):
# 将图像保存为临时文件
image_path = f'tmp_{i}.png'
image.save(image_path, 'PNG')
# 使用pytesseract将图像转换为文本
text = pytesseract.image_to_string(Image.open(image_path))
# 将文本添加到Word文档中
doc.add_paragraph(text)
# 删除临时图像文件
os.remove(image_path)
# 保存Word文档
doc_path = 'path/to/save/word/file.docx'
doc.save(doc_path)

Tesseract OCR のインストールとシステム環境変数への登録を事前に行っておいてください。また、本コードは単一ページの PDF ファイルのみを対象としており、複数ページの PDF ファイルに適用する場合は適宜修正してください。

bannerAds