用python操作PDF文件

Posted 2020-12-12 工作在浏览器上人-YangBobin

从PDF读取文本内容和从已经有的文档生成新的PDF。

需要用到的模块是PyPDF2.

同时，还要关注较新的PyPDF4包，因为它很快就会取代PyPDF2。也可以看看pdfrw包，它也可以执行许多与PyPDF2相同的操作。

https://zhuanlan.zhihu.com/p/98626155

首先安装PyPDF2，在命令行中运行，由于PyPDF2没有任何依赖，因此安装非常快。

pip install PyPDF2.

一、操作方法

1、从PDF读取文本

PyPDF2无法从pdf文档中提取图像，图表和其他媒体，但是它可以提取文本，并且将文本返回为python字符串。

import PyPDF2
# ===============从pdf中提取文本===========
pdffile = open(r‘E:python让繁琐的工作自动化13_处理pdf和word文档datameetingminutes.pdf‘, ‘rb‘)  # 读取pdf文件
pdfreader = PyPDF2.PdfFileReader(pdffile)  # 读入到
print(pdfreader.numPages)  # 读取pdf页数======19

读取pdf文件的页数是：

获取第一页的内容：

page0 = pdfreader.getPage(0)  #获取第1页，第一页是0
print(page0.extractText())  # 获取第2页的内容，返回的是字符串

内容是

2、解密PDF

某些文档有加密功能，为了防止别人阅读，只有在打开文档的时候提供口令才能阅读。我打开的文件的加密口令是rosebud.

其实在读取一个pdf文件是首先应该确定它是否加密了。如果加密，isEncrypted属性就会返回True.此时就需要口令了。

# 某些pdf文件是加密的，防止别人阅读的，只有打开文档的时候提供口令才能阅读
pdf_reader = PyPDF2.PdfFileReader(open(r‘E:python让繁琐的工作自动化13_处理pdf和word文档dataencrypted.pdf‘,‘rb‘))
print(pdf_reader.isEncrypted)  # 文件是否加密

返回的结果是：

如果这时候不输入口令就获取内容的话。

print(pdf_reader.getPage(0))  # PyPDF2.utils.PdfReadError: file has not been decrypted 文件还没有解锁

会提示出现错误。

此时调用decrypt方法，输入口令，再读取就可以啦。

print(pdf_reader.decrypt(‘rosebud‘))  # rosebud==正确口令显示1，其他显示0
page_obj = pdf_reader.getPage(0)  # 这样才能正确读取
print(page_obj.extractText())

返回的结果是：

3、创建PDF

PyPDF2可以创建一个新的PDF文件，但是不能将任何文本写入到PDF。其写入PDF的能力，仅限于从其他PDF中拷贝页面、旋转页面、重叠页面和加密文件。后面一一介绍。

4、拷贝页面

# ==========拷贝页面==============
pdffile1 = open(r‘E:python让繁琐的工作自动化13_处理pdf和word文档datameetingminutes.pdf‘, ‘rb‘)
pdffile2 = open(r‘E:python让繁琐的工作自动化13_处理pdf和word文档datameetingminutes2.pdf‘, ‘rb‘)
pdf1_reader = PyPDF2.PdfFileReader(pdffile1)
pdf2_reader = PyPDF2.PdfFileReader(pdffile2)
# 创建一个pdf文档，这个只是代表pdf文档的值，并没有创建实际的文档。
pdf_writer = PyPDF2.PdfFileWriter()
# 将文档一页一页的读入到新的文档
for pagenum in range(pdf1_reader.numPages):
    pageobj = pdf1_reader.getPage(pagenum)
    pdf_writer.addPage(pageobj)

for pagenum in range(pdf2_reader.numPages):
    pageobj = pdf2_reader.getPage(pagenum)
    pdf_writer.addPage(pageobj)
    
# write方法才能真正生成一个文件
pdfoutputfile = open(‘combin.pdf‘,‘wb‘)
pdf_writer.write(pdfoutputfile)
pdfoutputfile.close()
pdffile1.close()
pdffile2.close()

在对应目录下生成pdf文件

5、旋转页面

利用rotateClockwise()和rotateCounterClockwise()方法PDF页面可以旋转90的整倍数。

pdffile1 = open(r‘E:python让繁琐的工作自动化13_处理pdf和word文档datameetingminutes.pdf‘, ‘rb‘)
pdfreaders = PyPDF2.PdfFileReader(pdffile1)
page = pdfreaders.getPage(0)  # 获取第一页
page.rotateClockwise(90)  # 第一页旋转90度
# 创建一个新的PDF文档
pdfwriter = PyPDF2.PdfFileWriter()
# 添加内容
pdfwriter.addPage(page)
# 真实创建PDF文件并写入内容
result = open(‘ratated.pdf‘,‘wb‘)
pdfwriter.write(result)
# 关闭文件
result.close()
pdffile1.close()

点击开PDF文档，结果是：

6、叠加页面

有的时候需要在PDF中添加公司的标志、时间戳或水印。我们用这个库依然可以实现。

# 给指定的页面添加水印、公司标志或者时间戳。
pdffile1 = open(r‘E:python让繁琐的工作自动化13_处理pdf和word文档datameetingminutes.pdf‘, ‘rb‘)
pdf_reader1 = PyPDF2.PdfFileReader(pdffile1)
# 获取该文档的第一页
first_page = pdf_reader1.getPage(0)
# 打开印有水印的PDF文件
water_pdf = PyPDF2.PdfFileReader(r‘E:python让繁琐的工作自动化13_处理pdf和word文档datawatermark.pdf‘, ‘rb‘)
# 在上一个文档的第一页中加入这个有水印的文件
first_page.mergePage(water_pdf.getPage(0))
# 将读取的内容写入到对象中
pdfwriter = PyPDF2.PdfFileWriter()
pdfwriter.addPage(first_page)

结果是：

7、加密PDF

我们可以对拷贝的页面进行加密。

pdffile1 = open(r‘E:python让繁琐的工作自动化13_处理pdf和word文档datameetingminutes.pdf‘, ‘rb‘)
pdf_reader1 = PyPDF2.PdfFileReader(pdffile1)
# 将读取的内容写入对象中
pdfwriter = PyPDF2.PdfFileWriter()
for pagenum in range(pdf_reader1.numPages):
    pdfwriter.addPage(pdf_reader1.getPage(pagenum))

# 输入口令
pdfwriter.encrypt(‘meimei‘)
# 真正创建PDF文件
result_pdf = open(‘encry.pdf‘,‘wb‘)
pdfwriter.write(result_pdf)
# 关闭文件
result_pdf.close()

点击生成的PDF文件。

输入密码才可以打开。