python pdf转word 保留格式 包括表格图片

Python中有几个库可以将PDF转换成Word文档并尽可能地保留原始格式，包括表格和图片。最常用的库是`pdfplumber`用于读取PDF内容，结合`python-docx`来创建Word文档。下面是基本步骤：

1. 首先安装必要的库：

pip install pdfplumber python-docx Pillow

2. 使用`pdfplumber`提取PDF中的内容（包括表格数据）：

from pdfplumber import PDF
import pandas as pd

# 打开PDF文件
with PDF('input.pdf') as pdf:
    # 创建一个空列表存储每个页面的数据
    pages_data = []

    for page in pdf.pages:
        # 提取文本
        text = page.extract_text()
        # 提取表格，如果有的话
        tables = page.extract_tables()
        if tables:
            df_table = pd.DataFrame(tables[0])  # 将表格转换为DataFrame

        pages_data.append({'text': text, 'tables': df_table})

# 结合文本和表格信息
content = [f'{page["text"]}\n\n{df_table.to_string()}' for page in pages_data]

3. 使用`python-docx`生成Word文档，并添加内容、表格及图片（如果有图片链接）：

from docx import Document
from PIL import Image

# 初始化Word文档
doc = Document()

# 循环遍历每个页面的内容
for idx, page_content in enumerate(content):
    # 添加段落
    doc.add_paragraph(page_content)

    # 如果有表格，插入到Word
    if pages_data[idx]['tables']:
        table = doc.add_table(len(pages_data[idx]['tables'][0]), len(pages_data[idx]['tables']))
        for row_idx, row in enumerate(pages_data[idx]['tables']):
            for col_idx, cell in enumerate(row):
                table.cell(row_idx, col_idx).paragraphs[0].add_run(cell)

# 处理图片，假设图片保存在images目录下
image_path_list = ['images/page{}.png'.format(i) for i in range(1, len(pdf.pages)+1)]
for img_path in image_path_list:
    image = Image.open(img_path)
    doc.add_picture(image, width=doc.element_width)

# 保存Word文档
doc.save('output.docx')