前几天朋友甩过来一批PDF说是系统里导出的合同材料大部分都设了权限限制——能看、能打印但复制文字和另存为Word的按钮全是灰的偶尔还有几份带打开密码的。他问我能不能写个小工具直接转成Word省得一份份手动复制粘贴。我花了一晚上搭了个Python实用程序把“解密”和“转格式”分开处理实测下来效果相当稳。这篇文章就把完整思路、核心代码和实际踩坑记录写下来给同样被加密PDF折磨过的同学参考。1. 加密PDF到底有哪几种很多人一听到“加密PDF”就以为必须先拿到密码才能动这是最常见的误区。我在实际处理中发现大部分被吐槽“没法转Word”的PDF根本没有设置打开密码只是被限制了复制、编辑、打印等操作。搞清楚PDF到底被“锁”在哪一层是整个方案的地基。1.1 打开密码与权限密码的区别PDF的加密体系从使用者角度看就是两类。第一类是打开密码也叫User Password。没有这个密码文件连打开都做不到因为PDF的内容流本身被加密了解析器拿不到可读数据。这种文件常见于商业报告、内部资料、投标文件打开时就会弹窗要求输入密码。第二类是权限密码也叫Owner Password。文件可以直接打开但打印、复制文字、编辑、添加批注等操作被限制工具栏里对应按钮全部变成灰色。企业下发的制度文件、课程讲义、电子书经常这么干目的是防止内容被随意扩散。为什么会混淆因为很多PDF在设置时只填了权限密码没有设置打开密码。也就是说它根本没有“内容加密”只是有一段权限控制字典告诉阅读器“不允许复制”。这种PDF严格来说可以直接绕开限制重新生成一份无权限版本不需要任何密码。我还遇到过一个更常见的场景某用户发来一份PDF说“复制不了文字一定是加密了”。我检查后发现它压根没有打开密码纯粹是权限限制。程序直接解密重建前后不到两秒文字就全部可复制了。所以第一步永远是先判断加密类型而不是一上来就问密码。1.2 加密算法决定能不能“绕过去”从技术底层看PDF加密由文件里的加密字典Encrypt dictionary控制里面包含算法类型、密钥长度、修订版本号等字段。常见的有RC4 40位、RC4 128位、AES-128、AES-256版本号为R6。这里有个关键认知现代PDF加密工具比如pikepdf底层是qpdf能做的是“在合规前提下重新生成一份无加密PDF”。它的原理是解析加密字典在拿到正确密码或者确认没有打开密码的情况下对PDF内容进行解密然后重建一份完全不含加密字段的新文件。这不是在暴力破解更没有绕过密码的能力。如果文件设置了打开密码并且用的是AES-256加密那么忘记密码之后基本没有现实可行的恢复手段。网上那些所谓“PDF密码破解工具”多数只能对付RC4这类老算法的弱密码代价还是长时间穷举。所以做这个工具时我明确要求打开密码需要用户主动提供程序只负责在给定正确密码后自动解码并转换。2. 工具选型为什么偏偏用pikepdf pdf2docxPython处理PDF的库非常多但针对“加密PDF转Word”这个具体需求我试过好几套组合最后稳定下来的是pikepdf加pdf2docx。这一节说清楚选型逻辑方便你以后遇到类似需求时也知道怎么搭配。2.1 Python生态里各库的分工我把常见的库按“能做什么”和“不能做什么”列了一张表库擅长点不适合的地方PyPDF2 / pypdf读元信息、拆分合并页面、简单加密判断解密复杂PDF时偶发失败版面还原能力弱pikepdf解密、权限控制、无损重建PDF不负责PDF转Word只负责把PDF整理干净pdf2docx把PDF版面重排成Word的docx本身不能解密喂给它加密文件会直接报错PyMuPDF页面渲染、文本提取、生成图片直接重建Word需要自己写大量版面逻辑pdfminer.six提取文本和坐标非常精准构造完整docx文档工程量大不适合快速落地既然要处理“加密”第一层就必须有个加密处理能力强的库既然要“转Word”第二层就必须有个版面重排能力强的库。pikepdf负责解密重建pdf2docx负责PDF到Word的版面转换各干各的活组合起来非常顺手。2.2 解耦设计的好处我把整个流程设计成两条独立链路中间用一个临时无加密PDF文件衔接。这样做不是图省事而是有几个实打实的好处。第一排查问题方便。解密失败时错误会出现在第一步转换失败时错误会出现在第二步。如果哪个PDF处理不了看一眼报错位置就知道是密码问题还是版面问题。第二中间产物可人工检查。解密后生成的无加密PDF可以先用阅读器打开看看内容是否完整。确认没问题再继续转Word能避免把解密问题误判为转换问题。第三依赖隔离。如果以后想换转换方案比如遇到扫描版PDF要接OCR只需要替换第二层第一层完全不用改。我在后续扩展时深有体会这个架构让我少改了很多代码。3. 完整代码从解密到Word的落地实现代码整体不长但每个细节都是有讲究的。我会把核心函数、批量处理、命令行封装都拆开讲并说明为什么这样写。3.1 环境准备与依赖检查先安装依赖pip install pikepdf pdf2docx建议使用Python 3.8以上版本pikepdf推荐8.x以上pdf2docx推荐0.5.8以上。安装完先验证一下导入是否正常import pikepdf from pdf2docx import Converter print(pikepdf版本, pikepdf.__version__)如果导入pdf2docx时报错多数情况是缺了底层依赖。常见的是没有安装PyMuPDF这时补一条命令即可pip install pymupdf3.2 核心转换函数下面是单文件处理的核心函数我写了详细的注释import os from pathlib import Path import pikepdf from pdf2docx import Converter def convert_encrypted_pdf_to_word( pdf_path: str, docx_path: str, password: str None ) - bool: 将加密PDF转换为Word pdf_path: 输入的PDF路径 docx_path: 输出的Word路径 password: 打开密码没有则传None tmp_pdf str(Path(pdf_path).with_name( f_decrypted_{Path(pdf_path).stem}.pdf )) try: # 第一步解密 try: if password: with pikepdf.open(pdf_path, passwordpassword) as pdf: pdf.save(tmp_pdf) else: # 先尝试无密码打开处理只有权限密码的情况 with pikepdf.open(pdf_path) as pdf: pdf.save(tmp_pdf) except pikepdf.PasswordError: print(f[错误] 无法打开{pdf_path}请检查密码) return False # 第二步转换 try: cv Converter(tmp_pdf) cv.convert(docx_path, start0, endNone) cv.close() print(f[成功] {pdf_path} - {docx_path}) return True except Exception as e: print(f[错误] 转换失败{e}) return False finally: # 清理临时文件 if os.path.exists(tmp_pdf): try: os.remove(tmp_pdf) except PermissionError: print([提示] 临时文件被占用跳过清理)解释几个关键点。pikepdf.open配合with语句能保证PDF文件正常关闭。pdf.save()默认不保留加密设置所以保存出来的就是一个全新无加密PDF这也是整个解密操作的核心。pdf2docx的Converter需要传入一个可读取的PDF路径如果直接传加密文件它在解析时会因为内容流无法读取而报错。所以必须先解密再转换顺序不能颠倒。cv.close()一定要执行。尤其Windows环境下如果Converter没有正常关闭输出的docx文件会被进程占用之后再打开Word时会提示文件损坏或正在使用。用try/finally结构可以确保即使转换抛异常临时文件也能被清理。3.3 自动判断加密类型实际使用中我不可能一个个先去手动判断文件是否有打开密码。所以写了个探测函数让程序自动区分“未加密”“仅权限加密”“需要密码”三种情况def detect_encryption_type(pdf_path: str) - str: 返回 not_encrypted / permission_only / password_required try: with pikepdf.open(pdf_path) as pdf: if pdf.is_encrypted: return permission_only return not_encrypted except pikepdf.PasswordError: return password_required然后在主流程里这样用def smart_convert(pdf_path: str, docx_path: str, password: str None) - bool: enc_type detect_encryption_type(pdf_path) if enc_type password_required and not password: print(f[跳过] {pdf_path} 需要打开密码但未提供) return False return convert_encrypted_pdf_to_word(pdf_path, docx_path, password)这么做的好处是程序不会因为某一个文件需要密码就中断整个批处理而是记录后继续处理下一个。我实际处理过的目录里经常是十几个文件里混着一两个带打开密码的这种自动跳过机制非常有用。3.4 批量转换与命令行封装批量处理的核心是把文件夹下所有PDF找出来逐个调用单文件转换函数。我用Path对象的glob来匹配文件def batch_convert(folder: str, password: str None): folder_path Path(folder) if not folder_path.exists(): print(f[错误] 目录不存在{folder}) return pdf_files list(folder_path.glob(*.pdf)) list(folder_path.glob(*.PDF)) print(f发现 {len(pdf_files)} 个PDF文件) for pdf_file in pdf_files: docx_file pdf_file.with_suffix(.docx) smart_convert(str(pdf_file), str(docx_file), password)注意我同时匹配了.pdf和.PDF两种后缀因为实际收到的文件经常有全大写后缀名只匹配小写会漏掉。再包一层命令行入口方便直接运行import argparse def main(): parser argparse.ArgumentParser(description加密PDF转Word小工具) parser.add_argument(input, helpPDF文件路径或包含PDF的目录路径) parser.add_argument(-o, --output, help输出Word路径仅单文件时有效) parser.add_argument(-p, --password, helpPDF打开密码) args parser.parse_args() if os.path.isdir(args.input): batch_convert(args.input, args.password) else: docx_path args.output or str( Path(args.input).with_suffix(.docx) ) smart_convert(args.input, docx_path, args.password) if __name__ __main__: main()实际运行效果python pdf2word.py ./docs -p 123456输出大致如下发现 5 个PDF文件 [成功] ./docs/年度报告.pdf - ./docs/年度报告.docx [成功] ./docs/产品说明.pdf - ./docs/产品说明.docx [跳过] ./docs/内部材料.pdf 需要打开密码但未提供整套程序逻辑很直观目录模式自动批量文件模式输出指定路径给密码就尝试带密码解密不给密码就自动探测是否能无密码打开。4. 常见问题与排查技巧实录这里记录的是我实际跑数据时踩过的坑很多问题不是代码逻辑错误而是文件本身或环境导致的。整理出来希望你能少走弯路。4.1 密码相关疑难第一类问题是“密码明明对了却还是打不开”。仔细排查后最常见的原因是从Excel或网页里复制密码时字符串末尾带上了不可见字符比如空格或换行符。我的排查方法是先打印密码的repr确认真正的密码内容有没有多余字符print(repr(password))如果输出类似123456 说明密码后面跟了一个空格去掉就行。第二类问题是“文件只有权限密码但我传了打开密码”。某些PDF允许用任意密码打开空用户密码但被设置了权限密码。此时pikepdf.open不传密码反而能成功传了密码反而报错。所以我代码里的逻辑是当提供了密码时如果带密码打开失败就自动降级为无密码试一次。这个降级逻辑非常实用。第三类问题是文件名包含中文或特殊字符。现代版本的pikepdf和pdf2docx对中文路径支持已经很好但如果你用旧版本或者把临时文件放在带空格的中文目录下偶尔还是会出问题。我的习惯是统一用Path对象处理路径不手动拼字符串。4.2 转换后格式错乱怎么办pdf2docx的工作机制是根据坐标把PDF里的内容块重建成Word的段落、表格和图片。对于简单的纯文本、标准表格、单栏排版效果非常好但遇到分栏文章、浮动文本框、旋转文字、复杂嵌套表格转换后出现错位是正常的这不是代码bug而是PDF转Word的通病。如果你遇到表格错位可以试试把convert方法里的flow参数改成False。默认情况下是True按阅读顺序流式重建改成False后它会尽量按原始布局坐标还原某些横版表格场景下效果更好cv Converter(tmp_pdf) cv.convert(docx_path, start0, endNone, flowFalse) cv.close()如果整个文件转换失败我的排查办法是分页定位。写个循环每20页转一次找出具体是哪一页导致崩溃cv Converter(tmp_pdf) for start in range(0, total_pages, 20): end min(start 20, total_pages) cv.convert(fpart_{start}.docx, startstart, endend) cv.close()我实际遇到过一个大文件在第57页出现异常字体导致整个转换中断用分页定位后单独处理那一页就绕过去了。4.3 扫描版PDF怎么办如果PDF本身是扫描图片里面根本没有可提取的文字流那pdf2docx转出来顶多是把图片嵌进Word文字照样没法编辑。这种情况必须先做OCR。思路是三步先用PyMuPDF把每一页渲染成PNG图片再用OCR引擎识别文字最后用python-docx把识别结果写进Word。大致框架如下def scanned_pdf_to_word(pdf_path: str, docx_path: str, dpi: int 200): import fitz from docx import Document doc fitz.open(pdf_path) word_doc Document() for page in doc: pix page.get_pixmap(dpidpi) img_path fpage_{page.number}.png pix.save(img_path) # 接入OCR引擎识别文字 text ocr_engine.recognize(img_path) word_doc.add_paragraph(text) word_doc.add_picture(img_path) word_doc.save(docx_path)OCR引擎的选择上如果以中文为主我会优先考虑对中文支持好的方案如果以英文为主通用OCR工具也能满足。这里不再展开因为严格说这已经属于另一个项目范畴但确实是我被问到最多的问题所以列在这里提个醒。4.4 排查速查表现象可能原因解决办法抛PasswordError打开密码错误或文件确实需要密码用repr检查密码自动降级尝试无密码打开转换后docx打不开Converter未正常close保证cv.close()被调用用try/finally结构表格错位原PDF版面复杂将flow设为False或对复杂表格单独处理中文乱码PDF内嵌字体编码特殊打开解密后的临时PDF确认是否乱码必要时走OCRWord提示文件损坏输出文件被占用关闭已打开的docx再运行程序转换很慢大文件、图片多分批转换用start和end参数切割范围5. 实测效果与后续扩展工具写完之后我拿手头一批真实材料跑了一轮这里放几个有代表性的数据方便你对最终效果有个心理预期。5.1 真实文件转换数据文件类型页数加密类型处理耗时转换效果纯文本合同12页仅权限加密约5秒文字完整段落排版正常带表格的报价单8页无加密约8秒表格基本还原个别单元格宽度略有偏差图文混排手册30页需要打开密码约25秒图片位置正确标题层级有部分丢失扫描版材料20页仅权限加密约3秒转成图片嵌入Word文字不可编辑从数据可以看出这个方案对标准电子版PDF非常高效但对扫描版只能说“先解决有没有的问题”。如果需要可编辑文字必须接OCR。5.2 后续还能怎么扩展这个工具目前是命令行版本我计划在几个方向继续完善。一是增加简单的图形界面。网上很多人并不熟悉命令行有个界面就能直接拖文件进去设置密码框和输出路径操作门槛会低很多。可以用Python自带的tkinter也可以封装成小工具发布。二是增加OCR链路。遇到扫描版PDF时自动识别文字再写入Word这样一站式解决所有PDF转Word需求。技术上可行主要工作量在OCR精度调优和排版还原上。三是增加日志记录。批量处理时把每个文件的成功或失败原因写进log文件方便事后核对。我实际批量跑几十个文件时靠控制台输出根本看不过来输出到文件是刚需。最后再说两句我实际用下来最舒服的一点是这个工具把最容易被卡住的“点”提前暴露出来。不需要在Word里反复试、不需要装一堆插件命令行一跑哪个文件失败、为什么失败一目了然。还有一个体会加密PDF转Word这个需求本质上要拆成两层看。一层是加密一层是格式转换。很多人一上来就想找一个万能库一步到位结果卡在权限限制上半天。把pikepdf和pdf2docx分开用每一层做自己最擅长的事代码反而简单稳定。如果让我再分享一个小技巧那就是调试时先保留解密后的临时PDF文件亲眼确认内容完整后再调转换参数能省掉大量瞎猜的时间。
凸包算法：Melkman原理与C++实现)
