首先，大家對(duì)Python語(yǔ)法的了解已經(jīng)基本完成，現(xiàn)在我們需要開(kāi)始進(jìn)行各種練習(xí)。我為大家準(zhǔn)備了一些練習(xí)題目，比如之前的向量數(shù)據(jù)庫(kù)等，這些題目可以參考第三方的SDK來(lái)進(jìn)行操作，文檔也是比較完善的。這個(gè)過(guò)程有點(diǎn)像我們之前使用Java對(duì)接第三方接口的方式，所以今天我想開(kāi)發(fā)一個(gè)很實(shí)用的工具類，用于將PDF轉(zhuǎn)換為DOCX文檔。我覺(jué)得這個(gè)工具非常實(shí)用，所以通過(guò)這個(gè)項(xiàng)目，我想帶領(lǐng)那些在Python基礎(chǔ)上還比較薄弱的同學(xué)們從零開(kāi)始，一起完成這個(gè)項(xiàng)目。

首先，我也剛開(kāi)始接觸這個(gè)項(xiàng)目，所以我并不知道如何實(shí)現(xiàn)。我的第一反應(yīng)是去搜索引擎上查找是否有其他人已經(jīng)實(shí)現(xiàn)了類似的功能，因?yàn)楝F(xiàn)在有很多優(yōu)秀的開(kāi)源項(xiàng)目可供參考。畢竟，站在巨人的肩膀上進(jìn)行開(kāi)發(fā)并不可恥，而是一種聰明的做法。

幸運(yùn)的是，我找到了一個(gè)名為"pdf2docx"的第三方包，它提供了非常優(yōu)秀的功能。令人驚訝的是，僅僅幾行代碼就可以完成PDF轉(zhuǎn)換為DOCX的工作。而且，轉(zhuǎn)換結(jié)果也非常出色。讓我們來(lái)看一下具體的實(shí)現(xiàn)過(guò)程。

希望大家可以去倉(cāng)庫(kù)中查看源碼，學(xué)習(xí)如何使用這個(gè)工具包，也歡迎大家在倉(cāng)庫(kù)中留言，提出任何問(wèn)題或建議。一起進(jìn)步，共同學(xué)習(xí)！倉(cāng)庫(kù)地址為：https://github.com/StudiousXiaoYu/pdf2docx_with_ui

PDF轉(zhuǎn)DOCX文檔

第三方包：pdf2docx

from pdf2docx import Converter

def convert_pdf_to_docx(pdf_path, docx_path):
    # 創(chuàng)建一個(gè)轉(zhuǎn)換器對(duì)象
    converter = Converter(pdf_path)

    # 將PDF轉(zhuǎn)換為DOCX
    converter.convert(docx_path, start=0, end=None)

    # 關(guān)閉轉(zhuǎn)換器
    converter.close()

# 調(diào)用函數(shù)進(jìn)行轉(zhuǎn)換
pdf_path = "input.pdf"
docx_path = "output.docx"
convert_pdf_to_docx(pdf_path, docx_path)

他很容易理解，只需要你定義好文件路徑即可完成轉(zhuǎn)換操作。此外，我也不多解釋了，因?yàn)閟tart參數(shù)用于指定轉(zhuǎn)換的起始頁(yè)碼，而end參數(shù)用于指定轉(zhuǎn)換的結(jié)束頁(yè)碼。你可以根據(jù)需要設(shè)置這兩個(gè)參數(shù)的值，如果不需要指定起始頁(yè)碼，可以將start參數(shù)設(shè)置為0；如果不需要指定結(jié)束頁(yè)碼，則可以將end參數(shù)設(shè)置為None。

官方可視化界面

代碼很簡(jiǎn)單，但是如果是自己使用的話，每次都要寫一次路徑可能會(huì)很麻煩。不過(guò)你可以使用一個(gè)可視化交互界面來(lái)簡(jiǎn)化這個(gè)過(guò)程，這樣會(huì)更方便一些。幸運(yùn)的是，pdf2docx提供了一個(gè)簡(jiǎn)易版的界面，你可以在控制臺(tái)中直接輸入"pdf2docx gui"來(lái)啟動(dòng)。在界面中，你只需要選擇要轉(zhuǎn)換的PDF文件和一個(gè)文件夾作為保存路徑，就可以完成轉(zhuǎn)換操作了。這樣的話，你就不需要每次都手動(dòng)輸入路徑了。非常方便。

簡(jiǎn)易版可交互界面

但是，如果你對(duì)pdf2docx提供的界面不滿意，并且覺(jué)得界面不夠好看，那么可以考慮使用另一個(gè)第三方界面庫(kù)，叫做gradio。我記得你之前在向量數(shù)據(jù)庫(kù)中使用過(guò)這個(gè)庫(kù)，對(duì)后端非常友好。你可以先寫一個(gè)簡(jiǎn)單的界面，然后逐步優(yōu)化它，以滿足你的需求。gradio提供了很多功能和自定義選項(xiàng)，你可以根據(jù)自己的喜好來(lái)設(shè)計(jì)界面的外觀和交互方式。然后慢慢優(yōu)化吧。

import gradio as gr
from pdf2docx import Converter


def convert_pdf_to_docx_with_display(pdf_file):
    tmp_file = "./output.docx"
    # Convert PDF to DOCX
    cv = Converter(pdf_file)
    cv.convert(tmp_file)
    cv.close()

    return tmp_file


def convert_and_display_pdf_to_docx(pdf_file):
    docx_file = convert_pdf_to_docx_with_display(pdf_file)
    return docx_file


iface = gr.Interface(
    fn=convert_and_display_pdf_to_docx,
    inputs=["file"],
    outputs=["file"],
    title="[努力的小雨] PDF to DOCX Converter",
    description="上傳pdf文件，并將其轉(zhuǎn)化為docx文件",
)

iface.launch()

恩恩，我看著是相當(dāng)不錯(cuò)的，這個(gè)小工具已經(jīng)可以滿足用戶的需求了。效果圖，你可以看看：

優(yōu)化版界面

好的，目前可交互的資源還相對(duì)較少。然而，如果我們能夠提前預(yù)覽解析后的文字內(nèi)容，有時(shí)就能避免不必要的下載。比如，在查看PDF文件時(shí)，我們只需要復(fù)制粘貼其中的文字，而無(wú)需下載整個(gè)文件。為了實(shí)現(xiàn)這一功能，我們可以考慮在文件底部添加一個(gè)額外的窗口，用于顯示解析后的文字內(nèi)容。通過(guò)提供復(fù)制粘貼功能，用戶可以輕松地獲取所需的文字信息。

import gradio as gr
from pdf2docx import Converter
import docx2txt

def convert_pdf_to_docx_with_display(pdf_file):
    tmp_file = "./output.docx"
    # Convert PDF to DOCX
    cv = Converter(pdf_file)
    cv.convert(tmp_file)
    cv.close()

    # Extract text from DOCX
    docx_text = docx2txt.process(tmp_file)
    return tmp_file, docx_text


def convert_and_display_pdf_to_docx(pdf_file):
    docx_file, docx_text = convert_pdf_to_docx_with_display(pdf_file)
    return docx_file, docx_text


iface = gr.Interface(
    fn=convert_and_display_pdf_to_docx,
    inputs=["file"],
    outputs=["file", "text"],
    title="[努力的小雨] PDF to DOCX Converter",
    description="上傳pdf文件，并將其轉(zhuǎn)化為docx文件且在界面單獨(dú)顯示文件的文字",
)

iface.launch()

當(dāng)我們完成代碼的修改后，運(yùn)行一下，我發(fā)現(xiàn)效果與我預(yù)期的是一致的。

至強(qiáng)版界面

如果我們已經(jīng)能夠顯示文字，那么是否還需要顯示圖片呢？考慮到PDF中常常包含圖片，為了滿足用戶復(fù)制粘貼圖片的需求，我認(rèn)為單獨(dú)開(kāi)發(fā)一個(gè)窗口來(lái)保存圖片是合理的。然而，在這個(gè)過(guò)程中，我遇到了一些困難，幾乎是我的噩夢(mèng)。我一直遇到報(bào)錯(cuò)，而且這些錯(cuò)誤幾乎是我之前從未遇到過(guò)的。就像當(dāng)初學(xué)習(xí)Java的時(shí)候，總是需要上網(wǎng)搜索解決方法一樣。在使用gradio時(shí)，我創(chuàng)建了一個(gè)畫廊窗口，但是錯(cuò)誤地以為它可以直接返回圖像的二進(jìn)制內(nèi)容，所以沒(méi)有進(jìn)行保存，結(jié)果一直報(bào)錯(cuò)。后來(lái)，我保存了圖像，問(wèn)題得以解決。現(xiàn)在我們來(lái)修改代碼，因?yàn)橛泻芏嘀貜?fù)的代碼，我就不再一直復(fù)制粘貼了。

# 此處省略部分代碼
# Extract images from DOCX
    images = []
    image_dir = os.path.join(tmp_dir, "images")
    os.makedirs(image_dir, exist_ok=True)
    for embed, related_part in document.part.related_parts.items():
        if isinstance(related_part, ImagePart):
            image_path = os.path.join(image_dir, f'image_{embed}.png')
            with open(image_path, 'wb') as f:
                f.write(related_part.image.blob)
                images.append(image_path)

    return tmp_file, docx_text, images
# 此處省略部分代碼    

我將圖片保存到一個(gè)文件夾中，并返回一個(gè)包含圖片實(shí)體的列表。現(xiàn)在讓我們來(lái)看一下效果：可以看到圖片已經(jīng)顯示出來(lái)了，但我覺(jué)得交互性還不夠，如果用戶不想要前幾頁(yè)的PDF怎么辦呢？為了解決這個(gè)問(wèn)題，我將再添加一個(gè)輸入框，讓用戶可以輸入相關(guān)信息。讓我們繼續(xù)優(yōu)化一下。

inputs=["text","file"],

為了實(shí)現(xiàn)傳參，我們可以修改輸入?yún)?shù)的類型。這個(gè)過(guò)程非常簡(jiǎn)單。除了我之前演示的簡(jiǎn)單樣式外，Gradio還有很多其他樣式可供選擇。我只是提供了一個(gè)最簡(jiǎn)單的示例，剩下的優(yōu)化工作就交給你了。你可以根據(jù)需要選擇適合的樣式進(jìn)行優(yōu)化。

這里我就不演示了，因?yàn)橹灰覀兡軌颢@取參數(shù)，我們就可以實(shí)現(xiàn)各種功能。就pdf轉(zhuǎn)docx的可視化界面而言，我已經(jīng)基本完成了它，它符合我的要求并且基本上令我滿意。畢竟，我不需要去優(yōu)化界面。

總結(jié)

pdf轉(zhuǎn)docx文檔是一個(gè)非常實(shí)用的功能，我只是簡(jiǎn)單地實(shí)現(xiàn)了一個(gè)可視化界面供用戶操作。我這么做的目的之一是想更多地掌握gradio的使用方法，同時(shí)也加強(qiáng)對(duì)Python流行第三方包的熟悉程度，因?yàn)檫@些第三方包是快速開(kāi)發(fā)的關(guān)鍵。我也希望你能從中有所收獲，我已經(jīng)公布了本期的源碼地址，如果你覺(jué)得還不錯(cuò)，或者在自己編寫的過(guò)程中遇到問(wèn)題，可以簡(jiǎn)單地參考一下。不過(guò)，我仍然希望你能自己解決bug問(wèn)題，這樣一旦熟悉了，就知道如何處理，不用總是上網(wǎng)尋找解決方案。

總結(jié)

以上是生活随笔為你收集整理的Java开发者的Python快速实战指南：实用工具之PDF转DOCX文档（可视化界面）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。