[没用的技巧]python处理多个PDF文件,插入word文档,并生成章节目录

python --version

python -m pip install PyMuPDFpython -m pip install python-docxpython -m pip install Pillow

python -c "import fitz; print('PyMuPDF OK')"

python pdf2word.py -d "D:\Desktop\data" -o report.docx

python pdf2word.py -d "D:\Desktop\data" --margin-top 0.6 --margin-bottom 0.6 --width 6.5 -o report.docx

python pdf2word.py 文件A.pdf 文件B.pdf -o 部分合集.docx

import argparseimport ioimport osimport globimport fitz  # PyMuPDFfrom PIL import Imagefrom docx import Documentfrom docx.shared import Inchesfrom docx.enum.text import WD_ALIGN_PARAGRAPHfrom docx.oxml.ns import qnfrom docx.oxml import OxmlElementdef add_toc(doc):    """在文档开头插入可更新的目录域"""    paragraph = doc.add_paragraph("目录", style="Heading 1")    p = doc.add_paragraph()    run = p.add_run()    fldChar1 = OxmlElement('w:fldChar')    fldChar1.set(qn('w:fldCharType'), 'begin')    run._r.append(fldChar1)    run2 = p.add_run()    instrText = OxmlElement('w:instrText')    instrText.set(qn('xml:space'), 'preserve')    instrText.text = ' TOC \\o "1-3" '    run2._r.append(instrText)    run3 = p.add_run()    fldChar2 = OxmlElement('w:fldChar')    fldChar2.set(qn('w:fldCharType'), 'end')    run3._r.append(fldChar2)def calculate_size(img_width_px, img_height_px, dpi, args):    """根据参数计算图片在 Word 中的宽高（英寸）"""    w_inch = img_width_px / dpi    h_inch = img_height_px / dpi    if args.scale:        w_inch *= args.scale        h_inch *= args.scale    elif args.width and args.height:        # 强制拉伸        w_inch = args.width        h_inch = args.height    elif args.width:        ratio = args.width / w_inch        w_inch = args.width        h_inch *= ratio    elif args.height:        ratio = args.height / h_inch        h_inch = args.height        w_inch *= ratio    return Inches(w_inch), Inches(h_inch)def collect_pdf_files(args):    """获取需要处理的所有 PDF 文件列表（已按名称排序）"""    if args.input_dir:        # 从文件夹中获取所有 .pdf 文件（不区分大小写）        folder = args.input_dir        if not os.path.isdir(folder):            raise ValueError(f"文件夹不存在: {folder}")        pdf_files = glob.glob(os.path.join(folder, "*.pdf")) + \                    glob.glob(os.path.join(folder, "*.PDF"))        pdf_files = sorted(set(pdf_files))  # 去重并排序        if not pdf_files:            raise ValueError(f"文件夹中没有找到 PDF 文件: {folder}")        return pdf_files    else:        # 使用命令行传入的文件列表        if not args.pdf_files:            raise ValueError("请指定要处理的 PDF 文件，或使用 --input-dir 指定文件夹")        # 检查文件是否存在        for f in args.pdf_files:            if not os.path.isfile(f):                raise ValueError(f"文件不存在: {f}")        return args.pdf_filesdef process_pdfs(pdf_files, output_docx, args):    doc = Document()    # 设置页边距    section = doc.sections[0]    section.top_margin = Inches(args.margin_top)    section.bottom_margin = Inches(args.margin_bottom)    section.left_margin = Inches(args.margin_left)    section.right_margin = Inches(args.margin_right)    # 插入目录    if args.toc:        add_toc(doc)        doc.add_page_break()    total_files = len(pdf_files)    for idx, pdf_path in enumerate(pdf_files):        file_name = os.path.splitext(os.path.basename(pdf_path))[0]        # 章节标题（目录项）        doc.add_heading(file_name, level=1)        pdf_doc = fitz.open(pdf_path)        page_count = len(pdf_doc)        for page_num in range(page_count):            page = pdf_doc.load_page(page_num)            pix = page.get_pixmap(dpi=args.dpi)            img = Image.open(io.BytesIO(pix.tobytes("png")))            # 转为指定格式并保存到内存            img_bytes = io.BytesIO()            img_format = args.image_format.upper()            if img_format == "JPEG":                img = img.convert("RGB")            img.save(img_bytes, format=img_format)            img_bytes.seek(0)            # 计算 Word 尺寸            width_inch, height_inch = calculate_size(                img.width, img.height, args.dpi, args            )            # 居中插入图片            p = doc.add_paragraph()            p.alignment = WD_ALIGN_PARAGRAPH.CENTER            run = p.add_run()            run.add_picture(img_bytes, width=width_inch, height=height_inch)            # 页面间是否分页            if args.separate_page and page_num < page_count - 1:                doc.add_page_break()        pdf_doc.close()        # PDF 文件之间是否分页（最后一个文件后不加）        if args.separate_page and idx < total_files - 1:            doc.add_page_break()    doc.save(output_docx)    print(f"处理完成！共 {total_files} 个 PDF 文件，输出: {output_docx}")if __name__ == "__main__":    parser = argparse.ArgumentParser(description="将多个 PDF 拆分为图片并按序插入 Word，支持批量处理文件夹")    parser.add_argument("pdf_files", nargs="*", help="要处理的 PDF 文件（可同时指定多个）")    parser.add_argument("-d", "--input-dir", help="批量处理指定文件夹下的所有 PDF 文件")    parser.add_argument("-o", "--output", default="output.docx", help="输出的 Word 文件名")    parser.add_argument("--margin-top", type=float, default=1.0, help="上边距（英寸）")    parser.add_argument("--margin-bottom", type=float, default=1.0, help="下边距（英寸）")    parser.add_argument("--margin-left", type=float, default=1.0, help="左边距（英寸）")    parser.add_argument("--margin-right", type=float, default=1.0, help="右边距（英寸）")    parser.add_argument("--dpi", type=int, default=200, help="PDF 渲染 DPI")    parser.add_argument("--scale", type=float, help="统一缩放比例（如 0.5 缩小一半）")    parser.add_argument("--width", type=float, help="指定图片宽度（英寸），高度自适应")    parser.add_argument("--height", type=float, help="指定图片高度（英寸），宽度自适应")    parser.add_argument("--image-format", choices=["png", "jpeg"], default="png", help="图片格式")    parser.add_argument("--no-separate-page", dest="separate_page", action="store_false",                        help="不在每张图片后自动分页")    parser.add_argument("--no-toc", dest="toc", action="store_false",                        help="不生成目录")    parser.set_defaults(separate_page=True, toc=True)    args = parser.parse_args()    try:        pdf_list = collect_pdf_files(args)        process_pdfs(pdf_list, args.output, args)    except Exception as e:        print(f"错误: {e}")        exit(1)