使用Python操作PDF文件
作者：springsnow
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.
mstamy2/PyPDF2: A utility to read and write PDFs with Python (github.com)
同时，还要关注较新的PyPDF4包，因为它很快就会取代PyPDF2。
claird/PyPDF4: A utility to read and write PDFs with Python (github.com)
也可以看看pdfrw包，它也可以执行许多与PyPDF2相同的操作。
pmaupin/pdfrw: pdfrw is a pure Python library that reads and writes PDFs (github.com)
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
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\data\meetingminutes.pdf', 'rb') # 读取pdf文件 pdfreader = PyPDF2.PdfFileReader(pdffile) # 读入到 print(pdfreader.numPages) # 读取pdf页数======19
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\data\encrypted.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())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\data\meetingminutes.pdf', 'rb')
pdffile2 = open(r'E:\python让繁琐的工作自动化\13_处理pdf和word文档\data\meetingminutes2.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\data\meetingminutes.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\data\meetingminutes.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\data\watermark.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\data\meetingminutes.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。
到此这篇关于Python操作PDF文件的文章就介绍到这了。希望对大家的学习有所帮助，也希望大家多多支持脚本之家。