PDF介绍
- 在学习和工作中大家一定对pdf非常熟悉。事实上，pdf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使用Adobe公司开发，现在由国际标准化组织ISO进行维护。
环境安装
-
Python处理PDF
- 用于处理 PDF 的模块是 PyPDF2。
- 要安装它，就从命令行运行 pip install PyPDF2
- 这个模块名称是区分大小写的，所以要确保 y 是小写，其他字母都是大写
-
PyPDF2可以实现：
- 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
- ......
读取PDF文件操作
- 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，但是对于程序来说，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。很不幸的是，我们对此无能为力。
#打开指定文件
import PyPDF2
pdfFile = open('./data/example.pdf','rb')
#创建读取器对象
pdfReader = PyPDF2.PdfFileReader(pdfFile)
pdfReader #<PyPDF2.pdf.PdfFileReader at 0x10afe1cf8>
#返回总页码数
pdfReader.numPages
#获取指定页面对象
page = pdfReader.getPage(0)
#提取出页面中的文字
page.extractText()
PDF的写入操作
- 将一个完整pdf拆分成两个单独的pdf文件进行保存,且去除不想要的指定页面
import PyPDF2
pdfFile = open('./data/example.pdf','rb')
#创建读取器对象
pdfReader = PyPDF2.PdfFileReader(pdfFile)
#创建写入器对象
pdfWriter1 = PyPDF2.PdfFileWriter()
pdfWriter2 = PyPDF2.PdfFileWriter()
all_pages = pdfReader.numPages
for page in range(all_pages):
#去除不想要的页面
if page in [1,3,5,7,9]:
continue
#获取中间页码值
middle_num = all_pages // 2
#提取一页数据
pageObj = pdfReader.getPage(page)
if page <= middle_num:
pdfWriter1.addPage(pageObj)
else:
pdfWriter2.addPage(pageObj)
f1 = open('./data/example_1.pdf','wb')
f2 = open('./data/example_2.pdf','wb')
pdfWriter1.write(f1)
pdfWriter2.write(f2)
pdfFile.close()
f1.close()
f2.close()
-
注意：
- 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。
-
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。向这些方法传入整数 90、180 或 270 就可以了
#翻转第一张页面
import PyPDF2
minutesFile = open('./data/example.pdf', 'rb')
pdfReader = PyPDF2.PdfFileReader(minutesFile)
page = pdfReader.getPage(0)
page.rotateCounterClockwise(90)
#创建写入器，将翻转的第一张页面添加到写入器中
pdfWriter = PyPDF2.PdfFileWriter()
pdfWriter.addPage(page)
#将翻转的页面写入到一个新的pdf中
resultPdfFile = open('./data/rotatedPage.pdf', 'wb')
pdfWriter.write(resultPdfFile)
resultPdfFile.close()
minutesFile.close()
- 叠加页面
- PyPDF2 也可以将一页的内容叠加到另一页上，这可以用来在页面上添加公司标志、时间戳或水印。利用 Python，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
#打开需要添加水印的pdf
pythonFile = open('./data/example.pdf', 'rb')
#对需要添加水印的pdf生成器读取器
pdfReader = PyPDF2.PdfFileReader(pythonFile)
#生成水印pdf的读取器
pdfWatermarkReader = PyPDF2.PdfFileReader(open('./data/watermark.pdf', 'rb'))
#创建写入器对象
pdfWriter = PyPDF2.PdfFileWriter()
#遍历需要添加水印pdf的每一页
for pageNum in range(0, pdfReader.numPages):
#获取页面对象
pageObj = pdfReader.getPage(pageNum)
#添加水印（叠加两张页面）
pageObj.mergePage(pdfWatermarkReader.getPage(0))
#添加到写入器中（注意：写入器中已经添加了水印）
pdfWriter.addPage(pageObj)
resultPdfFile = open('./data/watermarkedCover.pdf', 'wb')
pdfWriter.write(resultPdfFile)
minutesFile.close()
resultPdfFile.close()
- 加密 PDF
- PdfFileWriter 对象也可以为 PDF 文档进行加密
- encrypt()方法，传入口令字符串。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
pdfFile = open('./data/watermark.pdf', 'rb')
pdfReader = PyPDF2.PdfFileReader(pdfFile)
pdfWriter = PyPDF2.PdfFileWriter()
for pageNum in range(pdfReader.numPages):
pdfWriter.addPage(pdfReader.getPage(pageNum))
pdfWriter.encrypt('1324')
resultPdf = open('./data/encryptedminutes.pdf', 'wb')
pdfWriter.write(resultPdf)
resultPdf.close()
- 项目:从多个 PDF 中合并选择的页面
- 假定你有一个很无聊的任务，需要将几十个 PDF 文件合并成一个 PDF 文件。每 一个文件都有一个封面作为第一页，但你不希望合并后的文件中重复出现这些封 面。即使有许多免费的程序可以合并 PDF，很多也只是简单的将文件合并在一起。 让我们来写一个 Python 程序，定制需要合并到 PDF 中的页面。
- 总的来说，该程序需要完成:
- 找到当前工作目录中所有 PDF 文件。
- 按文件名排序，这样就能有序地添加这些 PDF。
- 除了第一页之外，将每个 PDF 的所有页面写入输出的文件。
- 从实现的角度来看，代码需要完成下列任务:
- 调用 os.listdir()，找到当前工作目录中的所有文件，去除掉非 PDF 文件。
- 调用 Python 的 sort()列表方法，对文件名按字母排序。
- 为输出的 PDF 文件创建 PdfFileWriter 对象。
- 循环遍历每个 PDF 文件，为它创建 PdfFileReader 对象。
- 针对每个 PDF 文件，循环遍历每一页，第一页除外。 将页面添加到输出的 PDF。
- 将输出的 PDF 写入一个文件，名为 allminutes.pdf。
- 针对这个项目，打开一个新的文件编辑器窗口，将它保存为 combinePdfs.py。