用 Python 把 PDF 批量转成 Word/Excel,100 份文件 3 分钟搞定

pip install pdf2docx pdfplumber pandas openpyxl

from pdf2docx import Converterdef pdf_to_word(pdf_path, docx_path):    cv = Converter(pdf_path)    cv.convert(docx_path, start=0, end=None)  # end=None 表示全部页    cv.close()    print(f"转换完成：{docx_path}")if __name__ == "__main__":    pdf_to_word("合同.pdf", "合同.docx")

cv.convert("out.docx", start=0, end=5)

from pathlib import Pathfrom pdf2docx import Converterdef batch_pdf_to_word(src_dir, out_dir):    src_dir, out_dir = Path(src_dir), Path(out_dir)    out_dir.mkdir(parents=True, exist_ok=True)    pdf_files = list(src_dir.glob("*.pdf"))    print(f"共发现 {len(pdf_files)} 个 PDF 文件")    for i, pdf_file in enumerate(pdf_files, 1):        docx_file = out_dir / f"{pdf_file.stem}.docx"        try:            cv = Converter(str(pdf_file))            cv.convert(str(docx_file))            cv.close()            print(f"[{i}/{len(pdf_files)}] ✓ {pdf_file.name}")        except Exception as e:            print(f"[{i}/{len(pdf_files)}] ✗ {pdf_file.name} -> {e}")batch_pdf_to_word("./pdfs", "./docs")

import pdfplumberimport pandas as pddef pdf_to_excel(pdf_path, excel_path):    with pdfplumber.open(pdf_path) as pdf:        with pd.ExcelWriter(excel_path, engine="openpyxl") as writer:            for page_no, page in enumerate(pdf.pages, 1):                tables = page.extract_tables()                for t_no, table in enumerate(tables, 1):                    if not table or len(table) < 2:                        continue                    # 第一行当表头，其余当数据                    header = [str(c).strip() if c else f"列{i+1}"                              for i, c in enumerate(table[0])]                    df = pd.DataFrame(table[1:], columns=header)                    # 清理换行符                    df = df.applymap(                        lambda x: str(x).replace("\n", " ").strip() if x else ""                    )                    sheet_name = f"P{page_no}_T{t_no}"                    df.to_excel(writer, sheet_name=sheet_name, index=False)                    print(f"  第 {page_no} 页 表格{t_no}：{len(df)} 行")    print(f"完成：{excel_path}")pdf_to_excel("报表.pdf", "报表.xlsx")

import argparsefrom pathlib import Pathfrom pdf2docx import Converterimport pdfplumberimport pandas as pddef pdf2word(pdf_path, out_path):    cv = Converter(str(pdf_path))    cv.convert(str(out_path))    cv.close()def pdf2excel(pdf_path, out_path):    with pdfplumber.open(pdf_path) as pdf:        with pd.ExcelWriter(out_path, engine="openpyxl") as writer:            for p_no, page in enumerate(pdf.pages, 1):                for t_no, table in enumerate(page.extract_tables(), 1):                    if not table or len(table) < 2:                        continue                    header = [str(c).strip() if c else f"列{i+1}"                              for i, c in enumerate(table[0])]                    df = pd.DataFrame(table[1:], columns=header)                    df.to_excel(writer, sheet_name=f"P{p_no}_T{t_no}",                                index=False)def main():    parser = argparse.ArgumentParser(description="PDF 批量转换工具")    parser.add_argument("src", help="PDF 所在文件夹")    parser.add_argument("-o", "--out", default="./output", help="输出目录")    parser.add_argument("-m", "--mode", choices=["word", "excel"],                        default="word", help="转换目标格式")    args = parser.parse_args()    src_dir, out_dir = Path(args.src), Path(args.out)    out_dir.mkdir(parents=True, exist_ok=True)    pdfs = sorted(src_dir.glob("*.pdf"))    print(f"共 {len(pdfs)} 个文件，目标格式：{args.mode}\n")    for i, pdf in enumerate(pdfs, 1):        suffix = ".docx" if args.mode == "word" else ".xlsx"        out_file = out_dir / f"{pdf.stem}{suffix}"        try:            if args.mode == "word":                pdf2word(pdf, out_file)            else:                pdf2excel(pdf, out_file)            print(f"[{i}/{len(pdfs)}] ✓ {pdf.name}")        except Exception as e:            print(f"[{i}/{len(pdfs)}] ✗ {pdf.name} -> {e}")if __name__ == "__main__":    main()

# 转 Wordpython pdf_convert.py ./pdfs -o ./docs -m word# 转 Excelpython pdf_convert.py ./pdfs -o ./sheets -m excel

pip install ocrmypdfocrmypdf -l chi_sim input.pdf output.pdf

table = page.extract_table({    "vertical_strategy": "text",    "horizontal_strategy": "text",})

import camelottables = camelot.read_pdf("file.pdf", pages="all", flavor="stream")tables.export("out.xlsx", f="excel")

pdfplumber.open("file.pdf", password="123456")

df["部门"] = df["部门"].replace("", pd.NA).ffill()