轻松掌握：用 Python 的 pdfminer 将 PDF 内容保存为 Word 文档 - 详解

一、引言

PDF（Portable Document Format）是一种广泛使用的文档格式，广泛应用于报告、论文、合同以及教材中。PDF 的优势是排版稳定、跨平台显示一致，但其文本内容并不是直接存储的，而是包含文本、字体、图像、表格等排版元素的复杂结构。因此，直接将 PDF 转为可编辑的 Word 文档，对于科研、办公自动化和数据分析来说，具有较高实用价值。

在实际应用中，我们常需要：

将 PDF 文档内容转换为 Word，以便编辑或汇总

从 PDF 中提取文本用于统计、分析或 NLP 处理

批量处理多个 PDF 文件，提高工作效率

Python 的 pdfminer.six 是专业的 PDF 文本解析工具，可以解析 PDF 文档结构并提取文本。同时，python-docx 可以生成和编辑 Word 文档。结合两者即可实现 PDF → Word 的自动化转换。

二、工作原理

PDF 文件内部结构复杂，文本通常按照 页面、文本块、字符对象 排列，并非连续文本流。pdfminer 通过以下组件完成文本提取：

PDFResourceManager：管理 PDF 中的字体、图片等共享资源

TextConverter：将 PDF 页面内容转换为文本

PDFPageInterpreter：解释 PDF 页面，将页面内容解析为文本

PDFPage：按页提供迭代接口，支持逐页处理大型 PDF

转换流程示意图：

PDF 文件
│
▼
PDFResourceManager → 管理文档资源
│
▼
TextConverter → 将页面内容转换为文本
│
▼
PDFPageInterpreter → 逐页解析页面
│
▼
输出文本 → 内存或文件
│
▼
python-docx → 写入 Word 文档

三、安装依赖

使用前需要安装两个库：

pip install pdfminer.six python-docx

pdfminer.six：用于 PDF 文本提取

python-docx：用于生成 Word 文件

四、单个 PDF 转 Word 示例

1️⃣ 提取 PDF 文本

from pdfminer.high_level import extract_text
pdf_file = r"H:\示例\第8章\MyDocTemplate.pdf"
# 提取文本
text = extract_text(pdf_file)

2️⃣ 将文本写入 Word

from docx import Document
import os
# 创建 Word 文档
doc = Document()
# 按行写入文本
for line in text.splitlines():
if line.strip():  # 忽略空行
doc.add_paragraph(line)
# 保存 Word 文件
word_file = os.path.splitext(pdf_file)[0] + ".docx"
doc.save(word_file)
print(f"已将 PDF 内容保存为 Word 文件：{word_file}")

五、批量处理多个 PDF

对于文件夹中的多个 PDF，可以一次性提取并生成对应 Word 文件：

import glob
from pdfminer.high_level import extract_text
from docx import Document
import os
pdf_dir = r"H:\示例\第8章\PDF文件夹"
word_dir = r"H:\示例\第8章\Word输出"
os.makedirs(word_dir, exist_ok=True)
for pdf_path in glob.glob(os.path.join(pdf_dir, "*.pdf")):
text = extract_text(pdf_path)
doc = Document()
for line in text.splitlines():
if line.strip():
doc.add_paragraph(line)
word_file = os.path.join(word_dir, os.path.basename(pdf_path).replace(".pdf", ".docx"))
doc.save(word_file)
print(f"{pdf_path} → {word_file} 已保存")

应用场景：

批量将论文、报告、教材 PDF 转 Word

数据挖掘：将 PDF 文本统一提取，便于后续分析

办公自动化：快速生成可编辑的文档

六、优化与进阶技巧

1、文本清洗

PDF 提取的文本可能包含多余换行或空格，可使用：

clean_text = " ".join(text.split())

或按段落处理，保持格式整齐。

2、中文 PDF 处理

pdfminer.six 默认支持 UTF-8 中文

对于特殊字体或加密 PDF，可能出现乱码，可尝试使用 OCR 或其他 PDF 工具

3、按段落或关键字提取

import re
paragraphs = [p for p in text.split('\n\n') if p.strip()]
matches = re.findall(r'成绩\s*[:：]\s*\d+', text)

4、输出到 Excel/CSV

可将提取的文本或表格数据写入 Excel：

import pandas as pd
lines = text.splitlines()
df = pd.DataFrame(lines, columns=['内容'])
df.to_excel(r"H:\示例\第8章\PDF内容.xlsx", index=False)

5、保留简单格式

Word 支持粗体、段落、标题，可以在 python-docx 中添加样式：

doc.add_paragraph("标题内容", style='Heading 1')

七、注意事项

1、复杂排版 PDF

表格、图片或多栏布局的 PDF，直接提取可能无法保留原始结构

若需完整还原，可结合 OCR 或专业 PDF 转 Word 软件

2、文件大小

对于大型 PDF，建议逐页提取并写入 Word，避免内存占用过高

八、总结

使用 pdfminer.six 提取 PDF 文本，结合 python-docx 写入 Word，实现自动化 PDF → Word 转换

支持单文件和批量处理，适合科研、办公自动化、数据分析等场景

对中文文本、表格、关键字提取等可进行进一步处理和优化