① 解析PDF文件 → ② 提取文本/格式信息（段落、分页、表格） 

→ ③ 构建Word文档结构 → ④ 写入内容并保存

① 解析PDF → ② 将PDF每页转为图片 → ③ OCR识别图片中的文字 → ④ 格式化识别结果 → ⑤ 写入Word

import pdfplumber

from docx import Document

# 1. 提取PDF文本

with pdfplumber.open("待转换.pdf") as pdf:

text= "\n".join([page.extract_text() for page in pdf.pages])

# 2. 写入Word

doc = Document()

doc.add_paragraph(text)

doc.save("转换结果.docx")

from pdf2image import convert_from_path

import pytesseract

from docx import Document

# 配置Tesseract路径（Windows需手动指定）

pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

# 1. PDF转图片

images = convert_from_path("扫描件.pdf")

# 2. OCR识别+写入Word

doc = Document()

for img in images:

text= pytesseract.image_to_string(img, lang='chi_sim')# chi_sim=简体中文

doc.add_paragraph(text)

doc.save("扫描件转换结果.docx")

工具类型

核心技术

优点

缺点

在线免费工具

纯文本提取 / OCR（低配）

无需安装

页数限制、隐私风险、识别差

付费软件（WPS）

自研 OCR + 格式还原

格式还原好、识别准

会员付费、功能封装不可定制

Python 自制工具

开源库 + 自定义逻辑

免费、可定制、无限制

需要基础编程环境

# 基础版（纯文本PDF）

pip install pdfplumber python-docx

# 完整版（含扫描件OCR）

pip install pdfplumber python-docx pdf2image pytesseract

import os

import argparse

import pdfplumber

from docx import Document

from pdf2image import convert_from_path

import pytesseract

# 配置Tesseract路径（Windows用户需修改为自己的安装路径）

pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

def pdf_to_word(pdf_path, output_path=None, use_ocr=False):

"""

PDF转Word核心函数

:parampdf_path: PDF文件路径

:paramoutput_path: Word输出路径（默认同目录同名）

:paramuse_ocr: 是否启用OCR（处理扫描件）

"""

#校验文件是否存在

ifnot os.path.exists(pdf_path):

raiseFileNotFoundError(f"未找到文件：{pdf_path}")

#默认输出路径

ifoutput_path is None:

output_path= os.path.splitext(pdf_path)[0] + ".docx"

#创建Word文档

doc= Document()

print(f"开始转换：{pdf_path}")

try:

ifnot use_ocr:

#纯文本PDF处理

withpdfplumber.open(pdf_path) as pdf:

total_pages= len(pdf.pages)

forpage_num, page in enumerate(pdf.pages, 1):

text= page.extract_text()

iftext:

doc.add_heading(f"第{page_num}页",level=2)

doc.add_paragraph(text)

doc.add_page_break()

else:

print(f"第{page_num}页无文本（建议启用OCR重试）")

print(f"进度：{page_num}/{total_pages}")

else:

#扫描件PDF处理（OCR）

images= convert_from_path(pdf_path)

total_pages= len(images)

forpage_num, img in enumerate(images, 1):

text= pytesseract.image_to_string(img, lang='chi_sim')

doc.add_heading(f"第{page_num}页",level=2)

doc.add_paragraph(text)

doc.add_page_break()

print(f"进度：{page_num}/{total_pages}")

#保存文档

doc.save(output_path)

print(f"转换完成！文件保存至：{output_path}")

returnoutput_path

exceptException as e:

raiseRuntimeError(f"转换失败：{str(e)}")

def main():

#命令行参数解析

parser= argparse.ArgumentParser(description='Python PDF转Word工具（支持纯文本/扫描件）')

parser.add_argument('pdf_file',help='PDF文件路径')

parser.add_argument('-o','--output', help='Word输出路径（可选）')

parser.add_argument('--ocr',action='store_true', help='启用OCR（处理扫描件）')

args= parser.parse_args()

try:

pdf_to_word(args.pdf_file,args.output, args.ocr)

exceptException as e:

print(f"错误：{e}")

if __name__ == "__main__":

#运行示例：

#纯文本PDF：python pdf2word.py 文档.pdf

#扫描件PDF：python pdf2word.py 扫描件.pdf --ocr

#指定输出路径：python pdf2word.py 文档.pdf -o 结果.docx

main()