PDF轉檔為純文字格式：使用Adobe Reader或Python

想要把PDF格式的文件轉為別的格式，通常有點困難。一般習慣使用Microsoft OFFICE文書處理系統的人，知道可以把WORD文件、EXCEL文件轉換為PDF格式，但是OFFICE沒辦法幫你把PDF逆向轉回WORD文件或EXCEL文件。

PDF是Adobe公司所開發的一種文件格式，全名為Portable Document Format，所謂的portable可攜式，意思是這種文件格式可以跨越操作系統、應用程式的界線，不侷限使用單一特定的應用程式才能打開（相比之下，Word文件就是一定要用微軟的WORD應用程式打開，才能正常顯示）。

本文的主題則是，如何將PDF檔案轉換為純文字檔。

最簡單直觀的方式，是用Adobe Reader這個應用程式。目前它是可以免費下載使用的。用Adobe Reader打開一個PDF文件後，點選「檔案」>>「另存為文字檔」，就可以了。（如果想要轉換為OFFICE裡面的Word、Excel或PowerPoint，則必須付費使用Adobe Acrobat Pro DC。它不只可以用來轉檔，還可以讓你編輯PDF文件。）

補充一點，如果想要知道PDF文件裡的文字是什麼編碼，可以在Adobe Reader內查看，點選「檔案」>>「內容」，再選擇「字型」的標籤頁，就可找到。

也可寫Python程式把PDF轉為純文字格式

接下來要討論的則是，用Python程式將PDF格式轉換為純文字，並另存新檔。目前為止我試過 pdfplumber 和 pypdf2 兩個模塊（module），兩者都有效果好的時候。

pdfplumber：

pdfplumber的特色是程式碼中不需要指明文字的編碼，而且它可以用來轉換中文內容的檔案。pdfplumber似乎是可以自己辨別文字編碼然後進行轉換。不過，可以想像，若PDF文件用的剛好是這個模塊不兼容的編碼，就沒辦法正確轉檔了！我自己試過的例子：現在比較罕見的ETenms-B5-H中文編碼，就沒辦法用pdfplumber轉換出來。

import pdfplumber  #引入模塊

file = 'filename.pdf'

pdfob = pdfplumber.open(file)  #用模塊開啟要轉換的PDF檔

pgnum = len(pdfob.pages)

textfile = open('new.txt', 'w')  #指定並開啟一個純文字檔

for pg in range(pgnum):  

    page = pdfob.pages[pg] #每次呼叫一頁

    text = page.extract_text() #擷取純文字       

    textfile.write(text) #寫入純文字檔

    

pdfob.close()

textfile.close()

pypdf2:

pypdf2這個模塊使用時可以註明文字編碼。編碼如果正確的話，有機會轉換出整齊排列的純文字。如前述，用Adobe Reader的應用程式，可以查出文件的編碼。有需要時也可查閱網上資料，找出正確的編碼名稱：https://docs.python.org/2.4/lib/standard-encodings.html

import PyPDF2 as pp2 #引入模塊

PDFfile = open('tobeconverted.pdf', 'rb') #開啟PDF檔，記得模式要寫rb

pdfreader = pp2.PdfFileReader(PDFfile) 

textfile = open('catcher.text', 'a')

print(pdfreader.getNumPages()) #取得PDF檔案的頁數

i = 0

while i < pdfreader.getNumPages():

    pageinfo = pdfreader.getPage(i)  #每次取出一頁

    Text = pageinfo.extractText() #提取純文字（下行為另一種寫法，可註明文字編碼）

    #Text = pageinfo.extractText().encode('latin1', errors='ignore').decode('utf-8', errors='ignore')

    textfile.writelines(Text) #寫入提取的純文字

    i = i + 1

PDFfile.close()

textfile.close()

寫Python程式來轉換PDF檔，好處就是不必特地下載任何軟體程式來轉檔。不過，由於文字編碼的類別實在太紛雜了，似乎還沒有一個包山包海什麼編碼都能解的萬能模塊可以用。

再補充一點，其實用來解析PDF檔案的Python模塊還有很多，但如果想處理的檔案含有中文內容，可以先用pdfplumber試試看，可能是最有效率的。而如果是轉換英文檔案，則pdfplumber和pypdf都很有機會成功（若能知道文字編碼為何，那麼pypdf2轉換出來的文字有可能更整齊有序，畢竟轉換出整齊的純文字，才方便後續的閱讀或是整理）。