广西南宁建设厅网站seo去哪里培训

一、前言

     对于word文档，这里介绍一种解析文本、提取图片的方式。具体技术方案：LibreOffice将docx转换为pdf + 再pdfplumber按页提取文本。
该方案说明：
     LibreOffice 是一个跨平台的开源办公套件，支持 Linux、Windows 和 macOS 操作系统。目前为止，LibreOffice 是最佳的把docx转换为pdf的方式！
但是一个严重的缺点：按照默认参数去生成pdf，会有一些属性会丢失【比如pdf中的图片被设置为共享形式，导致解析pdf图片时不能判断出图片来自哪个页！】。

二、LibreOffice转换的核心代码

def convert_word_to_pdf(input_path, output_dir)