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。