如何用脚本转换文档格式

本文目录导读：

1. Python + python-docx（处理Word文档）
2. Python + pandas（处理Excel/CSV）
3. Python + pdfplumber（处理PDF）
4. 批量转换脚本（多种格式）
5. 命令行工具（使用LibreOffice）
6. 使用pandoc（通用文档转换）
7. 简单Shell脚本
8. 使用建议

我来介绍几种常用的文档格式转换脚本方法,根据你的具体需求选择：

Python + python-docx（处理Word文档）

# 安装：pip install python-docx
from docx import Document
# Word转文本
def docx_to_txt(input_file, output_file):
    doc = Document(input_file)
    text = '\n'.join([paragraph.text for paragraph in doc.paragraphs])
    with open(output_file, 'w', encoding='utf-8') as f:
        f.write(text)
    print(f"转换完成: {output_file}")
# 创建Word文档
def txt_to_docx(input_file, output_file):
    doc = Document()
    with open(input_file, 'r', encoding='utf-8') as f:
        for line in f:
            doc.add_paragraph(line.strip())
    doc.save(output_file)
    print(f"转换完成: {output_file}")

Python + pandas（处理Excel/CSV）

# 安装：pip install pandas
import pandas as pd
# Excel转CSV
def excel_to_csv(input_file, output_file, sheet_name=0):
    df = pd.read_excel(input_file, sheet_name=sheet_name)
    df.to_csv(output_file, index=False, encoding='utf-8-sig')
    print(f"转换完成: {output_file}")
# CSV转Excel
def csv_to_excel(input_file, output_file):
    df = pd.read_csv(input_file, encoding='utf-8')
    df.to_excel(output_file, index=False)
    print(f"转换完成: {output_file}")
# 多Sheet合并
def merge_excel_sheets(input_file, output_file):
    all_data = pd.read_excel(input_file, sheet_name=None)
    merged = pd.concat(all_data.values(), ignore_index=True)
    merged.to_excel(output_file, index=False)

Python + pdfplumber（处理PDF）

# 安装：pip install pdfplumber
import pdfplumber
# PDF转文本
def pdf_to_txt(input_file, output_file):
    with pdfplumber.open(input_file) as pdf:
        text = ''
        for page in pdf.pages:
            text += page.extract_text() + '\n'
    with open(output_file, 'w', encoding='utf-8') as f:
        f.write(text)
    print(f"转换完成: {output_file}")

批量转换脚本（多种格式）

import os
import shutil
from pathlib import Path
class DocumentConverter:
    def __init__(self):
        self.conversion_map = {
            '.docx': self.docx_to_txt,
            '.txt': self.txt_to_docx,
            '.xlsx': self.excel_to_csv,
            '.csv': self.csv_to_excel,
        }
    def convert_file(self, input_path, target_format):
        # 检查文件是否存在
        if not Path(input_path).exists():
            raise FileNotFoundError(f"文件不存在: {input_path}")
        # 获取文件信息
        input_path = Path(input_path)
        output_path = input_path.with_suffix(target_format)
        # 根据扩展名选择转换方法
        if input_path.suffix.lower() in ['.docx', '.doc']:
            self.docx_to_txt(input_path, output_path)
        elif input_path.suffix.lower() in ['.xlsx', '.xls']:
            self.excel_to_csv(input_path, output_path)
        elif input_path.suffix.lower() in ['.pdf']:
            self.pdf_to_txt(input_path, output_path)
        return output_path
    def batch_convert(self, directory, target_format, recursive=False):
        # 批量转换目录下的所有文件
        results = []
        pattern = '*.*' if recursive else '*'
        for file_path in Path(directory).glob(pattern):
            if file_path.is_file():
                try:
                    output = self.convert_file(file_path, target_format)
                    results.append(output)
                except Exception as e:
                    print(f"转换失败 {file_path}: {e}")
        return results
# 使用示例
converter = DocumentConverter()
# 转换单个文件
converter.convert_file('example.docx', '.txt')
# 批量转换目录
converter.batch_convert('./documents', '.txt', recursive=True)

命令行工具（使用LibreOffice）

# 批量转换Word/Excel/PPT为PDF
soffice --headless --convert-to pdf *.docx *.xlsx *.pptx --outdir output_directory/
# 转换HTML为PDF
soffice --headless --convert-to pdf file.html --outdir output_directory/

使用pandoc（通用文档转换）

# 安装：pip install pypandoc
import pypandoc
# 各种格式转换
def convert_with_pandoc(input_file, output_file, format_type=None):
    # 支持格式: markdown, html, docx, pdf, rst, latex等
    output = pypandoc.convert_file(input_file, 'docx', outputfile=output_file)
    print(f"转换完成: {output_file}")
# 批量转换
def batch_convert_markdown(directory):
    for md_file in Path(directory).glob('*.md'):
        convert_with_pandoc(str(md_file), str(md_file.with_suffix('.docx')))

简单Shell脚本

#!/bin/bash
# convert_formats.sh
# 将文件名编码转换
iconv -f GBK -t UTF-8 input.txt > output.txt
# 批量重命名文件扩展名
for file in *.txt; do
    mv "$file" "${file%.txt}.md"
done
# 批量转换编码
for file in *.txt; do
    iconv -f GBK -t UTF-8 "$file" > "${file%.txt}_utf8.txt"
done

使用建议

1. 根据文件类型选择：

   • Word文档 → python-docx
   • Excel表格 → pandas
   • PDF → pdfplumber/PyPDF2
   • 通用格式 → pandoc

2. 批量处理建议：

   • 使用路径通配符进行批量处理
   • 添加错误处理和日志记录
   • 合理使用并行处理提高效率

3. 保持原格式：

   • 简单文本转换用txt格式
   • 复杂样式用pdf或docx格式
   • 数据表格用csv/excel格式

需要我针对特定格式转换写更详细的脚本吗？