PDF 转换成 docx 文件的 Python 库。该项目通过 PyMuPDF 库提取 PDF 文件中的数据，然后采用 python-docx 库解析内容的布局、段落、图片、表格等，最后自动生成 docx 文件。
pdf2docx功能
-
解析和创建页面布局
-
页边距 -
章节和分栏 (目前最多支持两栏布局) -
页眉和页脚 [TODO] -
解析和创建段落
-
OCR 文本 [TODO] -
水平（从左到右）或竖直（自底向上）方向文本 -
字体样式例如字体、字号、粗/斜体、颜色 -
文本样式例如高亮、下划线和删除线 -
列表样式 [TODO] -
外部超链接 -
段落水平对齐方式 (左/右/居中/分散对齐)及前后间距 -
解析和创建图片
-
灰度/RGB/CMYK等颜色空间图片 -
带有透明通道图片 -
浮动图片（衬于文字下方） -
内联图片 -
解析和创建表格
-
边框样式例如宽度和颜色 -
单元格背景色 -
合并单元格 -
单元格垂直文本 -
隐藏部分边框线的表格 -
嵌套表格 -
支持多进程转换
pdf2docx 同时解析出了表格内容和样式，因此也可以作为一个表格内容提取工具。
限制
-
目前暂不支持扫描PDF文字识别 -
仅支持从左向右书写的语言（因此不支持阿拉伯语） -
不支持旋转的文字 -
基于规则的解析无法保证100%还原PDF样式
安装
pip install pdf2docx
案例
from pdf2docx import parse
pdf_file = '/path/to/sample.pdf'
docx_file = 'path/to/sample.docx'
# convert pdf to docx
parse(pdf_file, docx_file)
output
