PyPDF2的使用

链接：https://www.jianshu.com/p/e3d384e51db9

在Python中使用PDF

我相信，你们一定对pdf非常熟悉。事实上，它也是非常重要并且应用广泛的一种数字媒体。PDF全称是Portable Document Format,即可移植的文档格式。它使用.pdf作为扩展名。用于可靠的呈现和交换文档，与软件，硬件和操作系统无关。

pdf由Adobe公司开发，现在由国际标准化组织ISO进行维护。PDF合成包含链接和按钮，表单字段，音频，视频和业务逻辑

1
在这篇文章中，我们将学习如何做一些pdf的操作:

从PDF中提取文字

旋转pdf页

合并pdf

分割pdf

向pdf页中添加水印

使用简单的python脚本

1、安装

我们将使用第三方的模块 PyPDF2

1
PyPDF2是作为PDF工具包构建的python库，它能够:
  • 提取文档信息（标题，作者，…）
  • 按页拆分文档
  • 逐页合并文档
  • 裁剪页面
  • 合并多个页面到一个页
  • 对pdf文档进行加密解密
  • 等等

安装PyPDF2,在命令行下执行命令:

1
pip install PyPDF2

注意，这个模块的名字对大小写是敏感的，所以，确保y是小写的，其他字母都是大写的

2、使用模块

- 从pdf中提取文字

1
2
3
4
5
6
7
8
9
10
11
12
13
import PyPDF2

pdfFile = open('example.pdf','rb')

pdfReader = PyPDF2.PdfFileReader(pdfFile)

print(pdfReader.numPages)

page = pdfReader.getPage(0)

print(page.extractText())

pdfFile.close()

在我的机子上输出如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
241


Copyright © 201
7
 
by OriginLab Corporation
 
 
All rights reserved. No part of the contents of this book may be reproduced or 
transmitted in any form or by any means without the written permission of OriginLab 
Corporation.
 
 
OriginLab, Origin, 
and LabTalk are either registered trademarks or trademarks of 
OriginLab Corporation. Other product and company names mentioned herein may be 
the trademarks of their respective owners.

我们来逐步分析一下上面的代码

1
pdfFile = open('example.pdf','rb')

我们以二进制的方式打开example.pdf，并且保存为pdfFile

1
pdfReader = PyPDF2.PdfFileReader(pdfFile)

我们创建了一个PyPDF2模块中PdfFileReader类的对象，并将pdfFile对象传进去，获取pdfReader对象

1
print(pdfReader.numPages)

numPages 属性保存了pdf的页数，在我的例子中，numPages = 241

1
page = pdfReader.getPage(0)

现在，我们创建了一个page对象。pdfReader的getPage方法可以接受页码参数，并返回页面对象。

1
print(page.extractText())

page的extractText()方法，可以提取出页面中的文字

1
pdfFile.close()

最后，关闭打开的example.pdf

注意:虽然PDF文件非常适合以一种便于打印和阅读的方式显示文本，但是对于软件来说，将其解析为纯文本并不容易。因此，PyPDF2在从PDF中提取文本时可能会出错，甚至可能根本无法打开某些PDF。不幸的是，你对此无能为力。PyPDF2可能无法处理某些特定的PDF文件。

- 旋转pdf页

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
import PyPDF2

def PDFrotate(origFileName,newFileName,rotation):
    pdfFile = open(origFileName,'rb')
    pdfReader = PyPDF2.PdfFileReader(pdfFile)
    pdfWriter = PyPDF2.PdfFileWriter()

    for page in range(pdfReader.numPages):
        pageObj = pdfReader.getPage(page)
        pageObj.rotateClockwise(rotation)

        pdfWriter.addPage(pageObj)

    newFile = open(newFileName,'wb')
    pdfWrite.write(newFile)

    pdfFile.close()
    newFile.close()

def main():
    origFileName = 'example.pdf'
    
    newFileName = 'rotated_example.pdf'

    rotation = 270

    PDFrotate(origFileName,newFileName,rotation)

if __name__ == "__main__":
    main()

我们看一下关键的代码：

1
pdfWriter = PyPDF2.PdfFileWriter()

因为我们是将旋转后的页面写入新的pdf，所以首先创建一个PdfFileWriter对象：pdfWriter。

1
2
3
4
5
for page in range(pdfReader.numPages):
        pageObj = pdfReader.getPage(page)
        pageObj.rotateClockwise(rotation)

        pdfWriter.addPage(pageObj)

通过pdfReader.numPages,获取pdf的页数，然后进行循环。
循环体中，先创建每一页的对象，然后调用页面对象的rotateClockwise方法，传入的参数是顺时针旋转的度数。最后，旋转后的页面对象作为参数传给pdfWriter的addPage方法。

1
2
3
4
5
newFile = open(newFileName,'wb')
    pdfWrite.write(newFile)

    pdfFile.close()
    newFile.close()

打开新的文件，以写的方式，将我们新生成的pdf写入。然后关闭两个文件

- 合并pdf文件

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
import PyPDF2

def PDFmerge(pdfs,output):
    
    #创建一个pdf文件合并对象
    pdfMerger = PyPDF2.PdfFileMerger()
    
    #逐个添加pdf
    for pdf in pdfs:
        with open(pdf,'rb') as f:
            pdfMerger.append(f)

    #将内存中合并的pdf文件写入
    with open(output,'wb') as f:
        pdfMerger.write(f)

def main():
    #需要合并的pdf名称
    pdfs = ['example.pdf','testexample.pdf']
    
    #合并完成的pdf名称
    output = 'combined_example.pdf'

    #调用PDFmerge函数，进行合并
    PDFmerge(pdfs,output)
if __name__ == '__main__':
    main()

- 给pdf添加水印

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
import PyPDF2

def add_watermark(wmFile,pageObj):
    #打开水印pdf文件
    wmFileObj = open(wmFile,'rb')
    
    #创建pdfReader对象，把打开的水印pdf传入
    pdfReader = PyPDF2.PdfFileRdader(wmFileObj)
    
    #将水印pdf的首页与传入的原始pdf的页进行合并
    pageObj.mergePage(pdfReader.getPage(0))

    wmFileObj.close()
    return pageObj

def main():
    
    #水印pdf的名称
    watermark = 'watermark.pdf'

    #原始pdf的名称
    origFileName = 'example.pdf'

    #合并后新的pdf名称
    newFileName = 'watermark_example.pdf'

    #打开原始的pdf文件,获取文件指针
    pdfFileObj = open(origFileName,'rb')

    #创建reader对象
    pdfReader = PyPDF2.PdfFileReader(pdfFileObj)

    #创建一个指向新的pdf文件的指针
    pdfWriter = PyPDF2.PdfFileWriter()

    #通过迭代将水印添加到原始pdf的每一页
    for page in range(pdfReader.numPages):
        wmPageObj = add_watermark(mywatermark,pdfReader.getPage(page))
        
        #将合并后的即添加了水印的page对象添加到pdfWriter
        pdfWriter.addpage(wPageObj)

    #打开新的pdf文件
    newFile = open(newFileName,'wb')
    #将已经添加完水印的pdfWriter对象写入文件
    pdfWriter.write(newFile)

    #关闭原始和新的pdf
    pdfFileObj.close()
    newFile.close()

if __name__ == '__main__':
    main()

过程大致和旋转的例子一样

1
wmPageObj = add_watermark(mywatermark,pdfReader.getPage(page))

我们通过自定义的add_watermark函数将水印与原始pdf页进行合并。
让我们来观察一下add_watermark函数

1
2
3
4
5
wmFileObj = open(wmFile, 'rb')
pdfReader = PyPDF2.PdfFileReader(wmFileObj) 
pageObj.mergePage(pdfReader.getPage(0))
wmFileObj.close()
return pageObj

首先，我们创建了一个pdf reader对象。对于传递的页面对象，我们使用mergePage()函数传递水印，这将在传递的页面对象上覆盖水印。

编程语言
#Python
PyPDF2的使用
https://fulequn.github.io/2020/08/Article202008224/
作者
Fulequn
发布于
2020年8月22日
许可协议