Python批量PDF转Word 文字直提与OCR扫描件转换实践

脚本专家

在处理办公文档时，PDF转Word是很常见的需求。相比在线工具普遍存在的页数限制，用Python脚本可以完全本地化地批量处理。本文基于实际代码，介绍文字型PDF直接提取，以及扫描型PDF通过Tesseract OCR识别后写入Word的两种实现方式，并附带批量文件夹转换脚本。

一、PDF转Word的两类处理逻辑
PDF文件分为两种：文字型PDF，文字可以选中复制，本质上保存的是一段文本流；扫描型PDF，页面内容是一张图片，文字无法直接复制。针对这两类，Python的处理方式也不同。
文字型PDF建议使用pdfplumber直接提取文本，识别速度快且准确率接近100%。扫描型PDF需要先将页面渲染为图片，再用Tesseract OCR识别文字，最后写入Word。OCR的识别准确率通常取决于图片清晰度和语言包，一般为85%到95%。

二、环境准备
方案一：文字型PDF需要安装如下库：

2. pip install pdfplumber python-docx

复制代码

方案二：OCR识别需要额外安装：

2. pip install pytesseract pdf2image python-docx Pillow

复制代码

除了Python库，OCR方案还依赖Tesseract OCR引擎。Windows用户可以从GitHub上的UB-Mannheim项目页下载安装包，安装后建议把Tesseract路径配置到环境变量，或者在代码中直接指定exe路径。

三、方案一：文字型PDF直接转Word
使用pdfplumber读取每一页的extract_text()，再用python-docx写入Word文档。每页之间手动插入分页符，保证输出文档的页数与原PDF一致。

2. import pdfplumber
3. from docx import Document
4. from pathlib import Path
6. def pdf_to_word_text(input_pdf, output_docx):
7.     doc = Document()
8.     with pdfplumber.open(input_pdf) as pdf:
9.         total_pages = len(pdf.pages)
10.         print(f"共 {total_pages} 页，开始转换...")
11.         for i, page in enumerate(pdf.pages):
12.             text = page.extract_text()
13.             if text:
14.                 doc.add_paragraph(text)
15.             if i < total_pages - 1:
16.                 doc.add_page_break()
17.             print(f"已转换第 {i+1} 页")
18.     doc.save(output_docx)
19.     print(f"\n转换完成: {output_docx}")

复制代码

如果PDF中还包含表格，可以调用page.extract_tables()提取表格结构，再通过doc.add_table()逐格写入Word表格。注意每个单元格需要把None转为空字符串，否则写入会报错。

2. def pdf_tables_to_word(input_pdf, output_docx):
3.     doc = Document()
4.     with pdfplumber.open(input_pdf) as pdf:
5.         for i, page in enumerate(pdf.pages):
6.             tables = page.extract_tables()
7.             for table_idx, table in enumerate(tables):
8.                 if table:
9.                     doc.add_heading(f"第 {i+1} 页 - 表格 {table_idx+1}", level=2)
10.                     word_table = doc.add_table(rows=len(table), cols=len(table[0]))
11.                     for row_idx, row in enumerate(table):
12.                         for col_idx, cell in enumerate(row):
13.                             word_table.cell(row_idx, col_idx).text = str(cell or '')
14.     doc.save(output_docx)
15.     print(f"表格提取完成: {output_docx}")

复制代码

四、方案二：扫描型PDF通过OCR转Word
扫描件的核心流程是：PDF每页先转为高分辨率图片，然后调用pytesseract.image_to_string识别图片中的文字，最后把识别结果逐段写入Word。DPI设置为300是一个平衡点，既能保证识别质量，又不会让处理时间过长。

2. import pytesseract
3. from pdf2image import convert_from_path
4. from docx import Document
6. TESSERACT_PATH = r"C:\Program Files\Tesseract-OCR\tesseract.exe"
7. pytesseract.pytesseract.tesseract_cmd = TESSERACT_PATH
9. def ocr_pdf_to_word(input_pdf, output_docx, lang='chi_sim+eng'):
10.     doc = Document()
11.     print("正在将 PDF 转为图片...")
12.     images = convert_from_path(input_pdf, dpi=300)
13.     print(f"共 {len(images)} 页")
14.     for i, image in enumerate(images):
15.         print(f"OCR 识别第 {i+1} 页...")
16.         text = pytesseract.image_to_string(image, lang=lang)
17.         doc.add_paragraph(text)
18.         if i < len(images) - 1:
19.             doc.add_page_break()
20.     doc.save(output_docx)
21.     print(f"\nOCR 转换完成: {output_docx}")

复制代码

lang参数可以组合使用，例如'chi_sim+eng'代表简体中文加英文。如果只处理中文，可以只写'chi_sim'。

五、批量转换文件夹中的所有PDF
实际工作中往往需要转换整个目录下的PDF。可以用Path.glob('*.pdf')遍历文件夹，根据文件类型自动选择OCR或直接提取。输出目录默认为Word文档，不存在时会自动创建。

2. def batch_pdf_to_word(folder_path, output_dir="Word文档", use_ocr=False):
3.     folder = Path(folder_path)
4.     output = Path(output_dir)
5.     output.mkdir(parents=True, exist_ok=True)
7.     for pdf_file in folder.glob('*.pdf'):
8.         word_file = output / f"{pdf_file.stem}.docx"
9.         if use_ocr:
10.             ocr_pdf_to_word(str(pdf_file), str(word_file))
11.         else:
12.             pdf_to_word_text(str(pdf_file), str(word_file))
13.     print(f"\n批量转换完成! 输出目录: {output_dir}/")

复制代码

六、常见问题与处理方式
1. OCR识别率低怎么办？
提高dpi参数，例如convert_from_path(input_pdf, dpi=600)，分辨率越高识别越准。也可以对图片进行灰度化、二值化预处理，减少背景干扰。另外确认tessdata目录下已安装对应的语言包。
2. 中文识别出来是乱码？
说明Tesseract没有中文语言包。需要下载chi_sim.traineddata文件，放入Tesseract安装目录下的tessdata\文件夹。同时调用时传入lang='chi_sim'。
3. 转换后格式丢失？
OCR方案只能提取文字，无法还原PDF中的字体、图片、表格和排版。如果需要保留完整格式，建议使用Adobe Acrobat或WPS会员版这类专业工具。文字型PDF中的表格可以直接用pdfplumber提取，准确率较高。

七、适用场景总结
文字型PDF使用pdfplumber提取，速度更快，准确率接近100%；扫描型PDF使用Tesseract OCR，识别准确率在85%到95%之间，速度中等；含表格的PDF优先使用pdfplumber.extract_tables()解析。根据PDF类型选择对应方案，可以避免无谓的OCR耗时，也能获得更好的转换结果。这个脚本可以直接集成到自动化办公流程中，用来批量处理合同、报告等文档。

以上两种转换方法覆盖了日常PDF转Word的主要场景，代码可以直接复用。对于需要反复处理大量PDF文件的场景，建议将batch_pdf_to_word封装成命令行或定时任务，进一步提高效率。