问题说明 #

我用一段代码将PDF转成同路径同名的DOCX文件，但转换100页以上的大文件时耗时超1分钟，需要把时间控制在1分钟内。代码本身运行耗时不足1秒，我优先想用pdf2docx（它能保留格式、表格、颜色等内容），也接受其他可行方案。

最小可复现代码：

def pdf_to_word(pdf_path, docx_path):
    """用pdf2docx将PDF转成Word，方便后续解析成XML"""
    
    cv = Converter(pdf_path)
    cv.convert(docx_path, start=0, end=None)
    cv.close()

pdf_to_word("example.pdf", "example.docx")

优化方案 #

基于pdf2docx的提速方法 #

• 多页并行处理：pdf2docx支持分页转换，可通过多进程拆分PDF页面同时转换，最后合并DOCX文件，能大幅缩短大文件转换时间。示例代码：

from pdf2docx import Converter
from concurrent.futures import ProcessPoolExecutor
import os
from docx import Document
from docxcompose.composer import Composer

def convert_page_range(pdf_path, start, end, temp_docx):
    cv = Converter(pdf_path)
    cv.convert(temp_docx, start=start, end=end)
    cv.close()

def merge_docxs(docx_list, output_path):
    if not docx_list:
        return
    master_doc = Document(docx_list[0])
    composer = Composer(master_doc)
    for docx in docx_list[1:]:
        composer.append(Document(docx))
    composer.save(output_path)
    # 清理临时文件
    for docx in docx_list:
        os.remove(docx)

def pdf_to_word_parallel(pdf_path, docx_path, page_chunk=20):
    # 获取总页数
    cv = Converter(pdf_path)
    total_pages = len(cv.pages)
    cv.close()
    
    temp_files = []
    with ProcessPoolExecutor() as executor:
        futures = []
        # 按分片批量转换
        for i in range(0, total_pages, page_chunk):
            start = i
            end = min(i + page_chunk, total_pages)
            temp_docx = f"temp_{start}_{end}.docx"
            temp_files.append(temp_docx)
            futures.append(executor.submit(convert_page_range, pdf_path, start, end, temp_docx))
        # 等待所有转换任务完成
        for future in futures:
            future.result()
    
    # 合并所有临时DOCX文件
    merge_docxs(temp_files, docx_path)

# 使用示例
pdf_to_word_parallel("example.pdf", "example.docx")

• 降低解析精度：如果对非核心格式要求不高，可关闭pdf2docx的复杂布局分析，在初始化Converter时传入layout_analysis=False参数（需测试是否满足格式需求）：

cv = Converter(pdf_path, layout_analysis=False)

替代解决方案 #

• PyMuPDF + python-docx组合：PyMuPDF解析PDF速度极快，虽然格式还原度略低于pdf2docx，但能覆盖基础格式、表格需求，适合对速度要求高的场景。示例代码：

import fitz
from docx import Document
from docx.shared import Pt

def pdf_to_word_fitz(pdf_path, docx_path):
    doc = Document()
    # 设置默认字体和字号
    doc.styles['Normal'].font.size = Pt(10)
    doc.styles['Normal'].font.name = 'Arial'
    
    with fitz.open(pdf_path) as pdf:
        for page in pdf:
            # 添加页面文本
            text = page.get_text()
            doc.add_paragraph(text)
            # 提取并添加表格（简单示例，复杂表格需额外处理）
            tables = page.find_tables()
            for table in tables:
                table_obj = doc.add_table(rows=len(table.rows), cols=len(table.cols))
                for i, row in enumerate(table.rows):
                    for j, cell in enumerate(row.cells):
                        table_obj.cell(i,j).text = cell.text
    doc.save(docx_path)

# 使用示例
pdf_to_word_fitz("example.pdf", "example.docx")

• 调用外部工具：使用LibreOffice命令行工具，速度比纯Python库快，支持批量转换。可以用Python的subprocess模块集成，命令示例：

libreoffice --headless --convert-to docx example.pdf

内容的提问来源于stack exchange，提问作者user30589464