处理PDF文档

Posted 2020-10-17

用于处理PDF的模块是PyPDF2（区分大小写），使用pip安装。

c:\python\Scripts>pip3.6 install PyPDF2
Collecting PyPDF2
  Downloading PyPDF2-1.26.0.tar.gz (77kB)
    100% |████████████████████████████████| 81kB 69kB/s
Installing collected packages: PyPDF2
  Running setup.py install for PyPDF2 ... done
Successfully installed PyPDF2-1.26.0

c:\python>python.exe
Python 3.6.1 (v3.6.1:69c0db5, Mar 21 2017, 18:41:36) [MSC v.1900 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> import PyPDF2
>>>

从PDF提取文本

PyPDF2没有办法从PDF文档中提取图像、图表或其他媒体，但它可以提取文本，并将文本返回为python字符串。

PyPDF2从PDF提取文本时可能会出错，甚至根本不能打开某些PDF。

>>> import PyPDF2
>>> pdf1=open('125001.pdf','rb')          ##采用二进制模式打开
>>> pdfReader=PyPDF2.PdfFileReader(pdf1)
PdfReadWarning: Xref table not zero-indexed. ID numbers for objects will be corrected. [pdf.py:1736]
>>> pdfReader.numPages         ##文档总页数
20
>>> page1=pdfReader.getPage(0)  ##首页下标为0
>>> page1.extractText()         ##返回该页文本的字符串
'  H3C S12500 QoS\n  www.h3c.com.cn \n121NI H3C S12500 QoS \n2O......SP Strict Priority \n ToS Type of Service \n '
>>>

解密PDF

某些PDF文档有加密功能，以防止别人阅读，只有在打开文档时提供口令才能阅读。

在文件用正确的口令解密之前，尝试调用函数来读取文件，将会导致错误。

decrypt()方法只解密了PdfFileReader对象，而不是实际的PDF文件。在程序中止后，硬盘上的文件仍然是加密的。程序下次运行时，仍然需要再次调用decrypt()。

>>> import PyPDF2
>>> pdfReader=PyPDF2.PdfFileReader(open('125003.pdf','rb'))
>>> pdfReader.isEncrypted           ##判断是否加密
True
>>> pdfReader.decrypt('password')   ##使用口令解密，返回0表示失败
1
>>>

创建PDF

PdfFileWriter可以创建一个新的PDF文件。

它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。

模块不允许直接编辑PDF。必须创建一个新的PDF，然后从已有的文档拷贝内容。

• 操作步骤：

1、打开一个或多个已有的PDF，得到PdfFileReader对象

2、创建一个新的PdfFileReader对象

3、将页面从PdfFileReader对象拷贝到PdfFileWriter对象中

4、最后，利用PdfFileWriter对象写入输出的PDF

创建一个PdfFileWriter对象，只是在Python中创建一个代表PDF文档的值，这并没有创建实际的PDF文件，要实际生成文件，必须调用PdfFileWriter对象的write()方法。

拷贝页面

PyPDF2不能在PdfFileWriter对象中间插入页面，addPage()方法只能够在末尾添加页面。

传递给PyPDF2.PdfFileReader()的File对象，需要以读二进制的方式打开。

>>> import PyPDF2
>>> pdf1=open('125001.pdf','rb')
>>> pdf2=open('125002.pdf','rb')
>>> pdf1Reader=PyPDF2.PdfFileReader(pdf1)
>>> pdf2Reader=PyPDF2.PdfFileReader(pdf2)
>>> pdfWriter=PyPDF2.PdfFileWriter()
>>> for page in range(pdf1Reader.numPages):
...     pageObj=pdf1Reader.getPage(page)
...     pdfWriter.addPage(pageObj)
...
>>> for page in range(pdf2Reader.numPages):
...     pageObj=pdf2Reader.getPage(page)
...     pdfWriter.addPage(pageObj)
...
>>> pdfFile=open('new.pdf','wb')  ##生成新PDF文件，包含前面几个文档的内容
>>> pdfWriter.write(pdfFile)
>>> pdfFile.close()
>>> pdf1.close()
>>> pdf2.close()

效果：

旋转页面

利用rotateClockwise()和rotateCounterClockwise()方法，PDF文档的页面也可以旋转90度的整数倍。

>>> import PyPDF2
>>> pdf1=open('125001.pdf','rb')
>>> pdf1Reader=PyPDF2.PdfFileReader(pdf1)
>>> page=pdf1Reader.getPage(0)
>>> page.rotateClockwise(90)
{'/CropBox': [0, 0, 595.22, 842], '/Parent': IndirectObject(476, 0), '/Conten......0': IndirectObject(491, 0)}}, '/Type': '/Page'}
>>> pdfWriter=PyPDF2.PdfFileWriter()
>>> pdfWriter.addPage(page)
>>> newFile=open('newfile.pdf','wb')
>>> pdfWriter.write(newFile)
>>> newFile.close()
>>> pdf1.close()

效果：

叠加页面

通过叠加页面的方式，很容易为多个文件添加水印，并且只针对程序指定的页面添加。

>>> import PyPDF2
>>> pdf1=open('125001.pdf','rb')
>>> pdf1Reader=PyPDF2.PdfFileReader(pdf1)
>>> pdf1Page1=pdf1Reader.getPage(0)
>>> pdfMarkReader=PyPDF2.PdfFileReader(open('125002.pdf','rb'))
>>> pdf1Page1.mergePage(pdfMarkReader.getPage(0))
>>> pdfWriter=PyPDF2.PdfFileWriter()
>>> pdfWriter.addPage(pdf1Page1)
>>> for page in range(1,pdf1Reader.numPages):
...     pageObj=pdf1Reader.getPage(page)
...     pdfWriter.addPage(pageObj)
...
>>> resultFile=open('result.pdf','wb')
>>> pdfWriter.write(resultFile)
>>> pdf1.close()
>>> resultFile.close()

效果：

加密PDF

PdfFileWriter对象也可以为PDF文档进行加密。

PDF可以有一个用户口令（允许查看这个PDF）和一个拥有者口令（允许设置打印、注释、提取文本和其他功能的许可）。

用户口令和拥有者口令分别是encrypt()的第一个和第二个参数。

如果只传入一个字符串给encrypt()，它将作为两个口令。

>>> import PyPDF2
>>> pdf1=open('125001.pdf','rb')
>>> pdf1Reader=PyPDF2.PdfFileReader(pdf1)
>>> pdfWriter=PyPDF2.PdfFileWriter()
>>> for page in range(pdf1Reader.numPages):
...     pdfWriter.addPage(pdf1Reader.getPage(page))
...
>>> pdfWriter.encrypt('123456')
>>> encryptFile=open('encrypt.pdf','wb')
>>> pdfWriter.write(encryptFile)
>>> encryptFile.close()
>>> pdf1.close()

效果：