Pdf2docx: Игнорировать страницу из-за ошибки: объект TableBlock не имеет атрибута lines

Спасибо, что задали вопросы и предоставили тестовые документы.

0.5.1 версии

1. Найдите файл Shape.py :

>>> import pdf2docx
>>> pdf2docx.shape.Shape.__file__

1. Найдите метод semantic_type() (около строки 89), добавьте строку в соответствии с комментарием ниже

for block in blocks:
    if not block.is_text_block(): continue  # 增加这一行判断

    # not intersect yet
    if block.bbox.y1 < self.bbox.y0: continue

    # check it when intersected
    rect_type = self._check_semantic_type(block)
    if rect_type != RectType.UNDEFINED: break

    # no intersection any more
    if block.bbox.y0 > self.bbox.y1: break

Еще раз спасибо за указание на проблему, последние исправления этих двух проблем будут добавлены в следующую версию.

Кроме того, сравнил эффекты преобразования 0.5.0 и 0.5.1 и обнаружил, что особых улучшений нет. Я не знаю, что вам нужно для преобразования PDF в слово, извлечения текста, сохранения форматирования или облегчения редактирования текста? Некоторые инструменты PDF (PDF-xchange, Foxit и т. Д.) Также могут напрямую изменять текст, что относительно удобнее. Поэтому я не уверен в направлении библиотеки pdf2docx . Благодарю.

Спасибо, я просто попробовал, и он отлично решил мою проблему.

Мое текущее требование - это пакетное преобразование определенных типов документов с последующим сохранением формата в максимально возможной степени. Будет сложнее просто использовать акробат или другие инструменты. Поэтому я хочу решить это с помощью кода. Я думаю, вы можете взглянуть на прочную структуру, библиотеку pdf2docx, я думаю, это относительно близкая библиотека. В будущем, я думаю, можно расширить функцию самостоятельной модификации пользователями (например, изменение json). Для разных типов файлов и разных типов потребностей каждый может оптимизировать некоторые параметры и условия в соответствии со своими обстоятельствами.

Очень хорошее предложение, спасибо.