PDF可选中的表格在word里变成图片了

Question

PDF文件里有表格及数据，用Adobe打开PDF时候表格里的数据可以选中（看起来不是图片），然后想借助用word打开PDF再把word里的数据内容复制到Excel里，现在发现用word打开PDF之后原来PDF里数据可以选中的表格在word文档里变成了图片。
我本来想用VBA调用word打开PDF文件，然后将word里的内容再复制到excel里。
不知道为什么说word文档里的表格变成了图片。

Answer 1

引自免费微信小程序：皆我百晓生

要解决这个问题，我们需要分两步走：首先从PDF中提取文本，然后将这些文本粘贴到Excel中。由于Word在处理PDF时可能将表格转换为图片，我们不依赖Word，而是使用一个名为PDFBox的Java库来读取PDF中的文本。这里是一个Python脚本示例，它使用Pyjnius库与Java交互，因为PDFBox是Java库。确保已经安装了pyjnius和jupyter-java-talk库：

!pip install pyjnius jupyter-java-talk

接下来，我们将编写一个函数来执行所需的操作。注意，你需要提供PDF文件的路径，并且需要在本地环境中安装PDFBox库。如果你没有安装，可以在项目的src/main/resources目录下创建一个名为META-INF/services的目录，并在这个目录下创建一个名为org.apache.pdfbox.pdmodel.PDDocumentFactory的文件，内容为net.sf.jasperreports.engine.util.JRApachePdfBoxParser\n。

import os
from jnius import autoclass, cast
from io import StringIO

# 加载必要的Java类
JString = autoclass('java.lang.String')
PDDocument = autoclass('org.apache.pdfbox.pdmodel.PDDocument')
PDFTextStripper = autoclass('org.apache.pdfbox.text.PDFTextStripper')

def extract_text_from_pdf(pdf_path):
    # 打开PDF文件
    document = PDDocument.load(JString(pdf_path))

    # 创建PDFTextStripper实例
    pdfStripper = PDFTextStripper()

    # 设置一些选项，使文本更易解析
    pdfStripper.setSortByPosition(True)
    pdfStripper.setStartPage(1)
    pdfStripper.setEndPage(document.getNumberOfPages())

    # 提取所有文本并将其存储在一个字符串中
    text = pdfStripper.getText(document)

    # 关闭PDF文档
    document.close()

    return text

def copy_to_excel(extracted_text):
    # 假设你已经有了一个活跃的Excel应用实例 excel_app 和一个工作簿 workbook
    # 例如，你可以使用 win32com.client 来实现这一步
    # excel_app = win32com.client.Dispatch("Excel.Application")
    # workbook = excel_app.Workbooks.Add()

    # 将提取的文本分割成行
    lines = extracted_text.split("\n")

    # 在工作表的第一列开始写入
    row_num = 1
    col_num = 1

    for line in lines:
        # 写入每一行
        workbook.Sheets[1].Cells(row_num, col_num).Value = line
        row_num += 1

    # 如果你想自动调整列宽以适应内容
    workbook.Sheets[1].Columns.AutoFit()

    # 可选：保存并关闭Excel
    # workbook.SaveAs("output.xlsx")
    # excel_app.Quit()

# 使用提供的PDF路径
pdf_path = "your_pdf_file_path_here.pdf"
extracted_text = extract_text_from_pdf(pdf_path)
copy_to_excel(extracted_text)

这个脚本会从PDF中提取文本，并将其写入新的Excel工作表。请确保替换 your_pdf_file_path_here.pdf 为你的PDF文件的实际路径。为了运行这段代码，你可能需要配置Java环境变量，以便Pyjnius能找到Java。另外，如果使用Windows，还需要安装Microsoft Office和相应的COM接口支持。

注意：此方法不会保留原始表格的结构，而是简单地将文本按行分开。如果你需要保持表格的结构，你可能需要使用更复杂的方法，比如识别PDF中的表格布局，这通常涉及到OCR技术，这超出了当前问题的范围。在这种情况下，你可能需要查找专门处理PDF表格的第三方库，如tabula-py等。