Python實(shí)現(xiàn)批量word文檔轉(zhuǎn)pdf并統(tǒng)計(jì)其頁碼

更新時(shí)間：2023年05月29日 11:59:44 作者：逃逸的卡路里

pypdf2是一個(gè)Python模塊，可以用來讀取、寫入和操作PDF文件，本文就將利用該模塊實(shí)現(xiàn)批量word文檔轉(zhuǎn)pdf并統(tǒng)計(jì)其頁碼，需要的小伙伴可以了解一下

pypdf2是一個(gè)Python模塊，可以用來讀取、寫入和操作PDF文件。要安裝pypdf2模塊，請按照以下步驟操作：

確保你已經(jīng)安裝了Python。你可以在終端或命令提示符中輸入python --version來檢查Python是否已安裝。

pypdf2模塊的安裝：

ModuleNotFoundError: No module named ‘PyPDF2’

安裝完成后，你可以在Python中使用pypdf2模塊來讀取、寫入和操作PDF文件。

例如，要讀取一個(gè)PDF文件中的文本內(nèi)容，你可以在Python腳本中導(dǎo)入pypdf2模塊，然后使用PdfFileReader類讀取文件并遍歷每個(gè)頁面。下面是一個(gè)簡單的示例代碼：

import pypdf2  
  
pdf_file = pypdf2.PdfFileReader('example.pdf')  
for page_num in range(pdf_file.getNumPages()):  
    page = pdf_file.getPage(page_num)  
    print(page.extractText())

這將打印出PDF文件中的每個(gè)頁面的文本內(nèi)容。

注意：

因PyPDF2 版本更新原因，一些類和函數(shù)已經(jīng)過時(shí)，想要采用替代函數(shù)，例如獲取pdf 頁數(shù) getNumPages 替換為直接使用 len(reader.pages)。

下面是兩個(gè)報(bào)錯的提示，把函數(shù)替換掉就行

PyPDF2.errors.DeprecationError: PdfFileReader is deprecated and was removed in PyPDF2 3.0.0. Use PdfReader instead.

PyPDF2.errors.DeprecationError: reader.getNumPages is deprecated and was removed in PyPDF2 3.0.0. Use len(reader.pages) instead.

利用Python代碼實(shí)現(xiàn)批量word文檔轉(zhuǎn)換成PDF格式

并對轉(zhuǎn)換的文檔，進(jìn)行頁碼統(tǒng)計(jì)，如下（代碼示例）

# -*- coding:utf-8 -*-
import os  # 導(dǎo)入系統(tǒng)功能模塊
from win32com.client import Dispatch, DispatchEx  # 導(dǎo)入pywin32模塊的client包下的函數(shù)
from win32com.client import constants  #  導(dǎo)入pywin32模塊的client包下的保存COM常量的類
from win32com.client import gencache    #  導(dǎo)入pywin32模塊的client包下的gencache函數(shù)
from PyPDF2 import  PdfReader  # 獲取頁碼用
import re  # 導(dǎo)入正則表達(dá)式模塊

import pythoncom  # 導(dǎo)入封裝了OLE自動化API的模塊，該模塊為pywin32的子模塊


'''獲取指定目錄下的文件
   filepath：要遍歷的目錄
   filelist_out：輸出文件列表
   file_ext：文件的擴(kuò)展名，默認(rèn)為任何類型的文件
'''
def getfilenames(filepath='',filelist_out=[],file_ext='all'):
    # 遍歷filepath下的所有文件，包括子目錄下的文件
    for fpath, dirs, fs in os.walk(filepath):
        for f in fs:
            fi_d = os.path.join(fpath, f)
            if file_ext == '.doc':  # 遍歷Word文檔文件
                if os.path.splitext(fi_d)[1] in ['.doc','.docx']:   # 判斷是否為Word文件
                    filelist_out.append(re.sub(r'\\','/',fi_d))  # 添加到路徑列表中
            else:
                if  file_ext == 'all':  # 要獲取所有文件的情況
                    filelist_out.append(fi_d)  # 將文件路徑添加到路徑列表中
                elif os.path.splitext(fi_d)[1] == file_ext:  # 要獲取除了Wrod文件以外的文件
                    filelist_out.append(fi_d)  # 將文件路徑添加到路徑列表中
                else:
                    pass
        filelist_out.sort()  # 對路徑進(jìn)行排序
    return filelist_out  # 返回文件完整路徑列表

# Word轉(zhuǎn)換為PDF(多個(gè)文件)
def wordtopdf(filelist,targetpath):
    totalPages = 0   # 記錄總頁碼
    valueList = []
    try:
        pythoncom.CoInitialize()   # 調(diào)用線程初始化COM庫，解決調(diào)用Word 2007時(shí)出現(xiàn)“尚未調(diào)用CoInitialize”錯誤的問題
        gencache.EnsureModule('{00020905-0000-0000-C000-000000000046}', 0, 8, 4)
        # 開始轉(zhuǎn)換
        w = Dispatch("Word.Application")
        for fullfilename in filelist:
            (filepath,filename) = os.path.split(fullfilename)  # 分割文件路徑和文件名，其中，filepath表示文件路徑；filename表示文件名
            softfilename = os.path.splitext(filename)  # 分割文件名和擴(kuò)展名
            os.chdir(filepath)  
            doc = os.path.abspath(filename)
            os.chdir(targetpath)
            pdfname = softfilename[0] + ".pdf"
            output = os.path.abspath(pdfname)
            pdf_name = output

            # 文檔路徑需要為絕對路徑，因?yàn)閃ord啟動后當(dāng)前路徑不是調(diào)用腳本時(shí)的當(dāng)前路徑。
            try: # 捕捉異常
                doc = w.Documents.Open(doc, ReadOnly=1)
                doc.ExportAsFixedFormat(output, constants.wdExportFormatPDF, \
                                        Item=constants.wdExportDocumentWithMarkup,
                                        CreateBookmarks=constants.wdExportCreateHeadingBookmarks)
            except Exception as e: # 處理異常
                print(e)
            if os.path.isfile(pdf_name): # 判斷文件是否存在
                # 獲取頁碼
                pages = getPdfPageNum(pdf_name)   # 獲取頁碼
                valueList.append([fullfilename,str(pages)])
                totalPages += pages  # 累加頁碼
                # os.remove(pdf_name)  # 刪除生成的PDF文件
            else:
                print('轉(zhuǎn)換失??！')
                return False
        w.Quit(constants.wdDoNotSaveChanges) # 退出Word應(yīng)用程序
        return totalPages,valueList  # 返回總頁碼和每個(gè)文檔的頁碼
    except TypeError as e:
        print('出錯了！')
        print(e)
        return False
'''
功能：統(tǒng)計(jì)文檔頁碼
path：文件絕對路徑
'''
def getPdfPageNum(path):
    with open(path, "rb") as file:
        doc = PdfReader(file)
        pagecount = len(doc.pages)
    return pagecount

if __name__ == '__main__':
    sourcepath = r"C:/Users/Lenovo/Desktop/python代碼示例/word/"  # 指定源路徑（Word文檔所在路徑）
    targetpath = r"C:/Users/Lenovo/Desktop/python代碼示例/pdf/"  # 指定目標(biāo)路徑（PDF保存路徑）
    filelist = getfilenames(sourcepath,[],'.doc')  # 獲取Word文檔路徑
    valueList = wordtopdf(filelist,targetpath)  # 實(shí)現(xiàn)將Word文檔批量轉(zhuǎn)換為PDF
    resultList = valueList[1]  # 獲取統(tǒng)計(jì)結(jié)果
    if valueList:
        for i in resultList:
            print(i[0],i[1])
        totalPages = str(valueList[0]) # 總頁數(shù)
        print("合計(jì)頁數(shù)：",totalPages)
    else:
        print("沒有要統(tǒng)計(jì)的文件或者統(tǒng)計(jì)失?。?)