您可以使用Python中的pytesseract庫將PDF文件轉換為文本,然后使用Python-docx庫將文本轉換為Word文檔。
首先,您需要安裝以下庫:
pytesseract:用于將PDF文件轉換為文本
pdf2image:用于將PDF文件轉換為圖像
pillow:用于處理圖像
python-docx:用于將文本轉換為Word文檔
可以使用以下命令安裝這些庫:
pip install pytesseract pdf2image pillow python-docx
接下來,您可以使用以下代碼將PDF文件轉換為Word文檔:
import pytesseract
from pdf2image import convert_from_path
from PIL import Image
from docx import Document
# 指定PDF文件路徑
pdf_path = 'path/to/pdf/file.pdf'
# 將PDF文件轉換為圖像
images = convert_from_path(pdf_path)
# 創建一個Word文檔對象
doc = Document()
# 遍歷圖像列表,并將每個圖像轉換為文本,然后將文本添加到Word文檔中
for i, image in enumerate(images):
# 將圖像保存為臨時文件
image_path = f'tmp_{i}.png'
image.save(image_path, 'PNG')
# 使用pytesseract將圖像轉換為文本
text = pytesseract.image_to_string(Image.open(image_path))
# 將文本添加到Word文檔中
doc.add_paragraph(text)
# 刪除臨時圖像文件
os.remove(image_path)
# 保存Word文檔
doc_path = 'path/to/save/word/file.docx'
doc.save(doc_path)
請確保在運行代碼之前已安裝好Tesseract OCR,并將其添加到系統環境變量中。另外,該代碼只適用于處理單頁PDF文件,如果您需要處理多頁PDF文件,請進行適當的修改。