全面解析：使用Python实现Docx转Pdf及PDF OCR处理的自动化流程（附完整代码）

在数字化办公环境中，文档格式转换与内容提取是日常工作中经常遇到的需求。本文将详细介绍如何使用Python构建一个自动化流程，实现从.docx文件转换为.pdf，然后对.pdf文件进行OCR（光学字符识别）处理，最终将识别结果保存为Word文档。整个流程涵盖了文件转换、图像处理、OCR识别和结果整理等多个步骤，适用于需要批量处理文档的场景。

项目概述

本项目旨在自动化处理文档转换与内容提取的流程，具体步骤如下：

1. Docx转Pdf：使用LibreOffice将.docx文件转换为.pdf格式。
2. Pdf转图片：将转换后的.pdf文件的每一页渲染为高质量的PNG图片。
3. OCR识别：利用PaddleOCR对每一页的PNG图片进行文字识别。
4. 结果整理：将OCR识别的文字内容汇总并保存为新的Word文档。
5. 文件管理：自动移动和清理中间生成的文件，保持工作目录整洁。

环境准备

在开始之前，需要确保系统中安装了以下工具和库：

必要工具

• Python 3.6+
• LibreOffice：用于文档格式转换。

安装LibreOffice

根据操作系统的不同，可以通过以下方式安装LibreOffice：

• Ubuntu/Debian:

  sudo apt-get update
  sudo apt-get install libreoffice
  

• MacOS:

  brew install --cask libreoffice
  

• Windows: 下载并安装LibreOffice：LibreOffice下载

安装Python库

使用pip安装所需的Python库：

pip install PyMuPDF tqdm paddleocr python-docx

注意：PaddleOCR可能需要更多的依赖，建议参考PaddleOCR官方文档进行详细安装。

代码结构解析

本项目包含两个主要的Python脚本：

1. doc_to_pdf.py：负责将.docx文件转换为.pdf。
2. pdf.py：负责处理.pdf文件，包括转换为图片、OCR识别和结果保存。

1. Docx转Pdf (doc_to_pdf.py)

# doc_to_pdf.py
import subprocess
import os

def docx_to_pdf(docx_path, output_dir):
    """
    使用 LibreOffice 将 .docx 文件转换为 .pdf

    :param docx_path: .docx 文件的路径
    :param output_dir: 输出 .pdf 文件的目录
    """
    # 确保输出目录存在
    os.makedirs(output_dir, exist_ok=True)
    
    # 调用 LibreOffice 命令行进行转换
    command = [
        'libreoffice', '--headless', '--convert-to', 'pdf', docx_path, '--outdir', output_dir
    ]
    subprocess.run(command, check=True)
    print(f"已将 {docx_path} 转换为 PDF 并保存至 {output_dir}")

2. PDF处理与OCR (pdf.py)

import fitz
from tqdm import tqdm
import os
from paddleocr import PaddleOCR
from docx import Document  # 用于创建 Word 文档
from docx.shared import Pt  # 设置字体大小
from doc_to_pdf import docx_to_pdf
import shutil

def pdf_to_png(pdf_path, img_path):
    # 确保图片输出目录存在
    os.makedirs(img_path, exist_ok=True)

    # 打开 PDF 文件
    pdf_doc = fitz.open(pdf_path)
    
    # 遍历每一页
    for pg in tqdm(range(pdf_doc.page_count), total=pdf_doc.page_count, desc='PDF分割处理'):
        page = pdf_doc[pg]
        rotate = 0  # 不旋转页面
        zoom_x = 2  # 横向缩放系数
        zoom_y = 2  # 纵向缩放系数
        mat = fitz.Matrix(zoom_x, zoom_y)  # 缩放矩阵
        
        # 渲染为像素图
        pix = page.get_pixmap(matrix=mat, alpha=False)
        
        # 保存为 PNG 图片
        one_img_path = os.path.join(img_path, f"img_{pg}.png")
        pix.save(one_img_path)

def traversal_file(pdf_name,img_path, out_path):
    # 初始化 OCR 模型，避免在循环中重复加载
    det = r"/home/ialover/document/PaddleOCR-release-2.6.1/model/ch_PP-OCRv4_det_infer"
    rec = r"/home/ialover/document/PaddleOCR-release-2.6.1/model/ch_PP-OCRv4_rec_infer"
    ocr = PaddleOCR(use_angle_cls=True, rec_model_dir=rec, det_model_dir=det,lang = 'ch')
    
    # 创建一个新的 Word 文档
    document = Document()

    # 设置中文字体（如果需要）
    from docx.oxml.ns import qn
    style = document.styles['Normal']
    font = style.font
    font.name = 'SimSun'  # 宋体
    font.size = Pt(12)
    font.element.rPr.rFonts.set(qn('w:eastAsia'), '宋体')

    # 遍历所有图片文件并进行 OCR 识别
    image_files = sorted(os.listdir(img_path), key=lambda x: int(x.split('_')[1].split('.')[0]))
    for fp in tqdm(image_files, desc='OCR识别处理中'):
        file_path = os.path.join(img_path, fp)
        ocr_result = ocr.ocr(file_path, cls=True)
        # 将识别结果写入 Word 文档
        for one_content in ocr_result[0]:  # 访问第一页内容
            # print(one_content)
            text, confidence = one_content[1]  # 提取文字内容和置信度
            document.add_paragraph(text)  # 仅写入文字内容
    
    # 保存 Word 文档
    output_docx = os.path.join(out_path, f'{pdf_name}.docx')
    document.save(output_docx)
    print(f'OCR 结果已保存到 {output_docx}')

def remove_dir(input_path):
    for fg in os.listdir(input_path):
        file_path = os.path.join(input_path, fg)
        if os.path.isfile(file_path):
            os.remove(file_path)

def doctopdf(pdf_input_dir,pdf_book_dir):
    for fp in os.listdir(pdf_input_dir):
        file_pdf = os.path.join(pdf_input_dir,fp)
        target_pdf_file = os.path.join(pdf_book_dir,fp)
        if file_pdf.endswith('.pdf'):
            shutil.move(file_pdf,target_pdf_file)
        else:
            docx_to_pdf(file_pdf,pdf_book_dir)
            
def deal_with_pdf_dir(pdf_book_dir,img_path,pdf_output_dir):
    for fp in os.listdir(pdf_book_dir):
        file_path = os.path.join(pdf_book_dir,fp)
        pdf_to_png(file_path,img_path)
        file_name_with_ext = os.path.basename(file_path)
        pdf_name = os.path.splitext(file_name_with_ext)[0]
        traversal_file(pdf_name=pdf_name,img_path=img_path,out_path=pdf_output_dir)



if __name__ == "__main__":
    img_path = "./pdf_img_dir/"  
    pdf_input_dir = './pdf_input_dir'
    pdf_book_dir = './pdf_book_dir/'
    out_path = './pdf_output_dir'
    os.makedirs(out_path,exist_ok=True)
    doctopdf(pdf_input_dir=pdf_input_dir,pdf_book_dir=pdf_book_dir)
    deal_with_pdf_dir(pdf_book_dir=pdf_book_dir,img_path=img_path,pdf_output_dir=out_path)
    remove_dir(img_path)
    remove_dir(pdf_input_dir)
    remove_dir(pdf_book_dir)

详细功能讲解

Docx转Pdf

在doc_to_pdf.py中，docx_to_pdf函数利用LibreOffice的命令行工具将.docx文件转换为.pdf。该函数接收两个参数：

• docx_path：待转换的.docx文件路径。
• output_dir：转换后.pdf文件的输出目录。

通过subprocess.run调用LibreOffice的命令，实现无界面的文档转换，并在转换完成后输出提示信息。

from doc_to_pdf import docx_to_pdf

docx_path = 'path/to/document.docx'
output_dir = 'path/to/output_pdf'
docx_to_pdf(docx_path, output_dir)

Pdf转图片

在pdf.py中，pdf_to_png函数使用PyMuPDF库将.pdf文件的每一页渲染为高分辨率的PNG图片。函数参数包括：

• pdf_path：待处理的.pdf文件路径。
• img_path：保存生成图片的目录。

通过遍历PDF的每一页，设置缩放系数以提高图片质量，并将每页保存为单独的PNG文件。

pdf_path = 'path/to/document.pdf'
img_path = 'path/to/output_images'
pdf_to_png(pdf_path, img_path)

OCR识别与结果保存

traversal_file函数负责对生成的PNG图片进行OCR识别，并将识别结果汇总到一个新的Word文档中。主要步骤包括：

1. 初始化OCR模型：指定检测（det）和识别（rec）模型的路径，初始化PaddleOCR实例。
2. 创建Word文档：使用python-docx创建一个新的Word文档，并设置中文字体以确保识别文本的正确显示。
3. 遍历图片文件：按顺序读取生成的PNG图片，对每张图片进行OCR识别。
4. 保存识别结果：将识别的文本逐段添加到Word文档中，最终保存为指定路径的.docx文件。

pdf_name = 'document_name'
img_path = 'path/to/output_images'
out_path = 'path/to/output_docx'
traversal_file(pdf_name, img_path, out_path)

文件管理与清理

为了保持工作目录的整洁，脚本还包含了文件管理和清理的功能：

• doctopdf函数：遍历输入目录中的文件，若是.pdf文件则移动到目标目录，否则调用docx_to_pdf进行转换。
• remove_dir函数：删除指定目录中的所有文件，用于清理中间生成的图片和转换后的文件。

def doctopdf(pdf_input_dir, pdf_book_dir):
    for fp in os.listdir(pdf_input_dir):
        file_pdf = os.path.join(pdf_input_dir, fp)
        target_pdf_file = os.path.join(pdf_book_dir, fp)
        if file_pdf.endswith('.pdf'):
            shutil.move(file_pdf, target_pdf_file)
        else:
            docx_to_pdf(file_pdf, pdf_book_dir)

运行流程

1. 准备输入文件

将需要处理的.docx和.pdf文件放入./pdf_input_dir目录。

2. 执行脚本

运行pdf.py脚本：

python pdf.py

流程执行：

1. 转换与移动文件：
   • 脚本首先调用doctopdf函数，将./pdf_input_dir中的.docx文件转换为.pdf并移动到./pdf_book_dir/。
2. 处理PDF文件：
   • 接着，deal_with_pdf_dir函数处理./pdf_book_dir/中的所有.pdf文件，转换为PNG图片并进行OCR识别，最终将结果保存到./pdf_output_dir。
3. 清理中间文件：
   • 最后，脚本清理中间生成的图片和转换后的文件，保持目录整洁。

3. 查看结果

在./pdf_output_dir目录下，可以找到包含OCR识别文本的.docx文件。

总结与扩展

本文介绍了如何使用Python构建一个自动化的文档处理流程，包括文档格式转换、PDF处理、OCR识别和结果整理。通过结合使用LibreOffice、PyMuPDF、PaddleOCR和python-docx等工具，实现了高效的批量文档处理。

优势

• 自动化：无需手动转换和复制粘贴，节省时间。
• 批量处理：一次性处理多个文件，适合大规模文档管理。
• 高精度 OCR：利用PaddleOCR提供高质量的文本识别，支持多语言。
• 灵活性：可根据需求调整转换和识别的参数，适应不同的文档格式和内容。

可能的扩展方向

1. 多语言支持：调整PaddleOCR的语言参数，支持更多语言的OCR识别。
2. 错误处理与日志记录：增加异常处理机制和日志记录，提升脚本的健壮性和可维护性。
3. 图形界面：为脚本添加图形用户界面（GUI），提高用户体验。
4. 并行处理：利用多线程或多进程技术，加快大规模文档处理的速度。
5. 云端集成：将脚本部署到云端，实现远程文档处理服务。

通过不断优化和扩展，可以将此自动化流程应用到更广泛的场景中，提高工作效率，节省人力资源。

参考资料

• LibreOffice 官方网站
• PyMuPDF (fitz) 文档
• PaddleOCR GitHub 仓库
• python-docx 官方文档

反馈与交流

如果您在实现过程中遇到任何问题或有更好的建议，欢迎在下方留言与我们交流。

版权声明：本文原创，转载请注明出处。

结语：感谢您的阅读，祝您在自动化文档处理的道路上取得更多的成果！

图片示例

结语

通过本文的介绍，希望您能够掌握如何利用Python及其强大的库，构建适合自己需求的文档处理工具。如果有更多需求，可以根据具体场景进行相应的调整和优化。自动化文档处理不仅能提高工作效率，还能减少人为错误，是现代办公环境中不可或缺的一部分。