.doc到pdf使用python

Question

我的任务是将大量的.doc文件转换为.pdf。我的主管要我这样做的唯一方法是通过MSWord 2010.我知道我应该能够通过python COM自动化实现自动化。唯一的问题是我不知道如何以及从哪里开始。我试着寻找一些教程，但却找不到（可能是我可能有，但我不知道我在找什么）。

现在我正在阅读this。不知道这会有多大用处。

Answer 1

使用comtypes的简单示例，转换单个文件，输入和输出文件名作为命令行参数：

import sys
import os
import comtypes.client

wdFormatPDF = 17

in_file = os.path.abspath(sys.argv[1])
out_file = os.path.abspath(sys.argv[2])

word = comtypes.client.CreateObject('Word.Application')
doc = word.Documents.Open(in_file)
doc.SaveAs(out_file, FileFormat=wdFormatPDF)
doc.Close()
word.Quit()

您也可以使用pywin32，除了：

之外，它们都是相同的

import win32com.client

然后：

word = win32com.client.Dispatch('Word.Application')

Answer 2

我已经测试了许多解决方案，但是没有一个可以在Linux发行版上有效地工作。

我推荐此解决方案：

import sys
import subprocess
import re


def convert_to(folder, source, timeout=None):
    args = [libreoffice_exec(), '--headless', '--convert-to', 'pdf', '--outdir', folder, source]

    process = subprocess.run(args, stdout=subprocess.PIPE, stderr=subprocess.PIPE, timeout=timeout)
    filename = re.search('-> (.*?) using filter', process.stdout.decode())

    return filename.group(1)


def libreoffice_exec():
    # TODO: Provide support for more platforms
    if sys.platform == 'darwin':
        return '/Applications/LibreOffice.app/Contents/MacOS/soffice'
    return 'libreoffice'

然后调用函数：

result = convert_to('TEMP Directory',  'Your File', timeout=15)

所有资源：

https://michalzalecki.com/converting-docx-to-pdf-using-python/

Answer 3

我已经解决了这个问题半天了，所以我想我应该分享一些关于这个问题的经验。史蒂文的答案是对的，但它会在我的电脑上失败。这里有两个关键点要解决它：

（1）。我第一次创建'Word.Application'对象时，我应该在打开任何文档之前使它（单词app）可见。 （实际上，即使我自己也无法解释为什么会这样。如果我不在我的计算机上执行此操作，当我尝试在隐形模型中打开文档时，程序将崩溃，然后'Word.Application'对象将被删除OS。）

（2）。在执行（1）之后，程序有时会运行良好但可能经常失败。崩溃错误"COMError: (-2147418111, 'Call was rejected by callee.', (None, None, None, 0, None))"表示COM服务器可能无法如此快速地响应。所以我在尝试打开文档之前添加了延迟。

执行这两个步骤后，程序将完美运行，不再出现故障。演示代码如下。如果遇到相同的问题，请尝试按照以下两个步骤操作。希望它有所帮助。

    import os
    import comtypes.client
    import time


    wdFormatPDF = 17


    # absolute path is needed
    # be careful about the slash '\', use '\\' or '/' or raw string r"..."
    in_file=r'absolute path of input docx file 1'
    out_file=r'absolute path of output pdf file 1'

    in_file2=r'absolute path of input docx file 2'
    out_file2=r'absolute path of outputpdf file 2'

    # print out filenames
    print in_file
    print out_file
    print in_file2
    print out_file2


    # create COM object
    word = comtypes.client.CreateObject('Word.Application')
    # key point 1: make word visible before open a new document
    word.Visible = True
    # key point 2: wait for the COM Server to prepare well.
    time.sleep(3)

    # convert docx file 1 to pdf file 1
    doc=word.Documents.Open(in_file) # open docx file 1
    doc.SaveAs(out_file, FileFormat=wdFormatPDF) # conversion
    doc.Close() # close docx file 1
    word.Visible = False
    # convert docx file 2 to pdf file 2
    doc = word.Documents.Open(in_file2) # open docx file 2
    doc.SaveAs(out_file2, FileFormat=wdFormatPDF) # conversion
    doc.Close() # close docx file 2   
    word.Quit() # close Word Application 

Answer 4

unoconv（在python中编写）和openoffice作为无头守护进程运行。 http://dag.wiee.rs/home-made/unoconv/

非常适合doc，docx，ppt，pptx，xls，xlsx。 如果您需要转换文档或在服务器上保存/转换为某些格式，这非常有用

Answer 5

如果您不介意使用PowerShell，请查看此Hey, Scripting Guy! article。可以采用所提供的代码来使用wdFormatPDF的{​​{1}}枚举值（请参阅here）。 This blog article提出了同一想法的不同实现。

Answer 6

值得注意的是，Stevens的回答是有效的，但要确保使用for循环导出多个文件以在循环之前放置ClientObject或Dispatch语句 - 它只需要创建一次 - 请参阅我的问题：{{3} }

Answer 7

我尝试了接受的答案，但并不是特别热衷于Word生成的臃肿的PDF，这通常比预期的要大一个数量级。在查看如何在使用虚拟PDF打印机时禁用对话框后，我遇到了Bullzip PDF打印机，我对它的功能印象深刻。它现在取代了我之前使用的其他虚拟打印机。您可以在下载页面找到“免费社区版”。

可以找到COM API here，并找到可用设置的列表here。设置将写入“runonce”文件，该文件仅用于一个打印作业，然后自动删除。打印多个PDF时，我们需要确保一个打印作业在启动另一个之前完成，以确保为每个文件正确使用设置。

import os, re, time, datetime, win32com.client

def print_to_Bullzip(file):
    util = win32com.client.Dispatch("Bullzip.PDFUtil")
    settings = win32com.client.Dispatch("Bullzip.PDFSettings")
    settings.PrinterName = util.DefaultPrinterName      # make sure we're controlling the right PDF printer

    outputFile = re.sub("\.[^.]+$", ".pdf", file)
    statusFile = re.sub("\.[^.]+$", ".status", file)

    settings.SetValue("Output", outputFile)
    settings.SetValue("ConfirmOverwrite", "no")
    settings.SetValue("ShowSaveAS", "never")
    settings.SetValue("ShowSettings", "never")
    settings.SetValue("ShowPDF", "no")
    settings.SetValue("ShowProgress", "no")
    settings.SetValue("ShowProgressFinished", "no")     # disable balloon tip
    settings.SetValue("StatusFile", statusFile)         # created after print job
    settings.WriteSettings(True)                        # write settings to the runonce.ini
    util.PrintFile(file, util.DefaultPrinterName)       # send to Bullzip virtual printer

    # wait until print job completes before continuing
    # otherwise settings for the next job may not be used
    timestamp = datetime.datetime.now()
    while( (datetime.datetime.now() - timestamp).seconds < 10):
        if os.path.exists(statusFile) and os.path.isfile(statusFile):
            error = util.ReadIniString(statusFile, "Status", "Errors", '')
            if error != "0":
                raise IOError("PDF was created with errors")
            os.remove(statusFile)
            return
        time.sleep(0.1)
    raise IOError("PDF creation timed out")

Answer 8

您应该从调查所谓的虚拟PDF打印驱动程序开始。 只要您找到一个，您就应该能够编写将DOC文件打印成PDF文件的批处理文件。您也可以在Python中执行此操作（在MSWord中设置打印机驱动程序输出并发出文档/打印命令，以后可以使用命令行AFAIR完成）。

Answer 9

作为SaveAs函数的替代方法，您还可以使用ExportAsFixedFormat，它可以访问您通常在Word中看到的PDF选项对话框。通过此，您可以指定书签和其他文档属性。

doc.ExportAsFixedFormat(OutputFileName=pdf_file,
    ExportFormat=17, #17 = PDF output, 18=XPS output
    OpenAfterExport=False,
    OptimizeFor=0,  #0=Print (higher res), 1=Screen (lower res)
    CreateBookmarks=1, #0=No bookmarks, 1=Heading bookmarks only, 2=bookmarks match word bookmarks
    DocStructureTags=True
    );

函数参数的完整列表是：'OutputFileName'，'ExportFormat'，'OpenAfterExport'，'OptimizeFor'，'Range'，'From'，'To'，'Item'，'IncludeDocProps'，'KeepIRM' ，'CreateBookmarks'，'DocStructureTags'，'BitmapMissingFonts'，'UseISO19005_1'，'FixedFormatExtClassPtr'

Answer 10

您可以使用docx2pdf python软件包将docx批量转换为pdf。它可以同时用作CLI和python库。它要求安装Microsoft Office，并在Windows上使用COM，在macOS上使用AppleScript（JXA）。

from docx2pdf import convert

convert("input.docx")
convert("input.docx", "output.pdf")
convert("my_docx_folder/")

pip install docx2pdf
docx2pdf input.docx output.pdf

免责声明：我写了docx2pdf软件包。 https://github.com/AlJohri/docx2pdf

Answer 11

我正在使用此解决方案，但我需要搜索所有.docx，.dotm，.docm，.odt，.doc或.rtf，然后将它们全部转换为.pdf（python 3.7.5）。希望它能起作用...

import os
import win32com.client

wdFormatPDF = 17

for root, dirs, files in os.walk(r'your directory here'):
    for f in files:

        if  f.endswith(".doc")  or f.endswith(".odt") or f.endswith(".rtf"):
            try:
                print(f)
                in_file=os.path.join(root,f)
                word = win32com.client.Dispatch('Word.Application')
                word.Visible = False
                doc = word.Documents.Open(in_file)
                doc.SaveAs(os.path.join(root,f[:-4]), FileFormat=wdFormatPDF)
                doc.Close()
                word.Quit()
                word.Visible = True
                print ('done')
                os.remove(os.path.join(root,f))
                pass
            except:
                print('could not open')
                # os.remove(os.path.join(root,f))
        elif f.endswith(".docx") or f.endswith(".dotm") or f.endswith(".docm"):
            try:
                print(f)
                in_file=os.path.join(root,f)
                word = win32com.client.Dispatch('Word.Application')
                word.Visible = False
                doc = word.Documents.Open(in_file)
                doc.SaveAs(os.path.join(root,f[:-5]), FileFormat=wdFormatPDF)
                doc.Close()
                word.Quit()
                word.Visible = True
                print ('done')
                os.remove(os.path.join(root,f))
                pass
            except:
                print('could not open')
                # os.remove(os.path.join(root,f))
        else:
            pass

try和except是针对那些我直到最后一个文档都无法阅读且不会退出代码的文档。

Answer 12

我也修改了它以支持ppt。我的解决方案支持所有下面指定的扩展。

word_extensions = [".doc", ".odt", ".rtf", ".docx", ".dotm", ".docm"]
ppt_extensions = [".ppt", ".pptx"]

我的解决方案：Github Link

我修改了来自 Docx2PDF

的代码

Answer 13

我建议忽略你的主管并使用具有Python api的OpenOffice。 OpenOffice内置了对Python的支持，有人创建了一个专门用于此目的的库（PyODConverter）。

如果他对输出不满意，请告诉他可能需要数周的时间才能完成。