Docs轉PDF

在構建知識庫應用時，發(fā)現在文檔解析步驟，PDF解析（使用pdfplumber）的效果（在處理表格方面）要強于Docs文檔（使用unstructured）；
分析該現象，發(fā)現一些專門文檔的解析工具包在處理文檔時的效果會優(yōu)于一些通用類的工具；
故在文檔加載階段，初步定了兩種處理方案：

1. 不同文檔類型使用效果較優(yōu)的工具進行處理；
2. 將非PDF文檔轉換為PDF文檔后（轉換后無法修改），進行處理；
   本筆記是記錄Docs轉換為PDF的使用過程；

工具選擇

由于服務系統(tǒng)環(huán)境為Linux，故只考慮Linux環(huán)境下的工具使用

• LibreOffice

1. 安裝LibreOffice
sudo apt-get install libreoffice

2. 工具命令行方式
libreoffice --headless --convert-to pdf your_document.docx --outdir /path/to/output

3. python方式使用
import subprocess
import os
def convert_doc_to_pdf(input_path, output_dir):
    # 確保輸入文件存在
    if not os.path.exists(input_path):
        raise FileNotFoundError(f"輸入文件不存在: {input_path}")

    # 構造命令
    cmd = [
        "libreoffice",
        "--headless",
        "--convert-to", "pdf",
        input_path,
        "--outdir", output_dir
    ]

    # 執(zhí)行命令
    result = subprocess.run(cmd, capture_output=True, text=True)
    if result.returncode != 0:
        raise RuntimeError(f"轉換失敗: {result.stderr}")
    else:
        print(f"轉換成功！PDF 保存至: {output_dir}")

# 示例用法
convert_doc_to_pdf("input.doc", "/tmp/output")

• Pandoc + LaTeX

1. 安裝依賴
apt-get install pandoc texlive-full

2. 命令行方式
pandoc -s your_document.docx -o output.pdf

3. python方式使用
import pypandoc

def word_to_pdf(word_path, pdf_path):
    output = pypandoc.convert_file(word_path, 'pdf', outputfile=pdf_path,extra_args=['--pdf-engine=xelatex'])
    assert output == ""
# 將Word文檔轉換為PDF
word_to_pdf("docs/test_01.docx", "pdfs/trans_test_01.pdf")

過程問題處理

• LaTeX升級到最新版本

通過apt-get安裝的版本較老，若要升級到最新版本，可通過從官網下載安裝包進行安裝，步驟如下：
a.) wget http://mirror.ctan.org/systems/texlive/tlnet/install-tl-unx.tar.gz
b.) 解壓并安裝（安裝的時間比較長）
tar -xzf install-tl-unx.tar.gz
cd install-tl-*
./install-tl
PS：在安裝過程中，如果磁盤空間足夠，可以選擇安裝完整版（scheme-full），這樣會包含所有可用的 TeX Live 包；
c.) 配置PATH
echo 'export PATH=/usr/local/texlive/2025/bin/x86_64-linux:$PATH' >> ~/.bashrc
source ~/.bashrc
d.) 驗證安裝
tlmgr --version 或則 tlmgr info --list

• 執(zhí)行l(wèi)ibreoffice命令時提示錯誤

1. 錯誤信息如下：
/usr/lib/libreoffice/program/javaldx: error while loading shared libraries: libreglo.so: cannot open shared object file: No such file or directory
Warning: failed to read path from javaldx

2. 原因分析
javaldx找不到libreglo.so，查看/usr/lib/libreoffice/program/ 目錄下是否存在libreglo.so；
該目錄下已經存在libreglo.so，執(zhí)行命令 ldd /usr/lib/libreoffice/program/javaldx，發(fā)現： libreglo.so => not found

3. 處理方式
強制刷新系統(tǒng)的庫緩存：
echo '/usr/lib/libreoffice/program' | sudo tee /etc/ld.so.conf.d/libreoffice.conf
sudo ldconfig

4. 如果依舊不能執(zhí)行該命令，則
a.) 重新安裝
先清除配置文件（如果有）：
rm -rf ~/.config/libreoffice
rm -rf ~/.local/share/libreoffice
再進行重新安裝：
sudo apt purge libreoffice*
sudo apt autoremove
sudo apt install libreoffice

或則
b.) 使用容器化運行（Ubuntu）
拉取鏡像：
docker pull libreoffice

運行l(wèi)ibreoffice容器：
docker run -d --name libreoffice -v /path/to/your/documents:/documents libreoffice

測試功能：
docker exec -it libreoffice /bin/bash
libreoffice --version
libreoffice --headless --convert-to pdf --outdir /documents /documents/input.docx
同時Python的使用方式修改如下：
import subprocess
container_name = "img_libreoffice"
command_to_run = ["libreoffice", "--headless","--convert-to","pdf","--outdir","/documents","/documents/test.docx"]

docker_exec_command = ["docker", "exec", container_name] + command_to_run

process = subprocess.Popen(docker_exec_command, stdout=subprocess.PIPE, stderr=subprocess.PIPE, text=True)

stdout, stderr = process.communicate()
if process.returncode == 0:
    print("Command executed successfully!")
    print("Output:")
    print(stdout)
else:
    print("Failed to execute command in container.")
    print("Error:", stderr)

• pandoc轉換時，提示無法在指定的字體中找到字符

1. 錯誤信息如下：
[WARNING] Missing character: There is no 有 (U+6709) (U+6709) in font [lmroman10-regular]:mapping=t

2. 處理方式
指定引擎（xelatex）和字符集，先查看系統(tǒng)支持中文的字符集（fc-list :lang=zh）；
在pandoc命令中指定字符集如： pandoc -s your_document.docx -o output.pdf --pdf-engine=xelatex -V mainfont="Noto Sans CJK TC"
python代碼如下：
import pypandoc

def word_to_pdf(word_path, pdf_path):
    output = pypandoc.convert_file(word_path, 'pdf', outputfile=pdf_path,extra_args=['--pdf-engine=xelatex','-V', 'mainfont="Noto Sans CJK TC"'])
    assert output == ""
# 將Word文檔轉換為PDF
word_to_pdf("docs/01.docx", "pdfs/trans_01.pdf")
print(f'deal finish!!')

## 如果總是提示"xelatex not found"則直接使用完全路徑，如：/usr/local/texlive/2025/bin/x86_64-linux/xelatex
PS：如果word文檔中的表格是合并單元格之類的復雜表格，pandoc轉換后，表格的信息可能丟失。