在Python处理 PDF 文件

你们所有人都必须熟悉什么是 PDF。事实上，它们是最重要和最广泛使用的数字媒体之一。 PDF 代表便携式文档格式。它使用.pdf扩展名。它用于可靠地呈现和交换文档，独立于软件、硬件或操作系统。
由Adobe发明，PDF 现在是由国际标准化组织 (ISO) 维护的开放标准。 PDF 可以包含链接和按钮、表单域、音频、视频和业务逻辑。
在本文中，我们将学习如何进行各种操作，例如：

• 从 PDF 中提取文本
• 旋转 PDF 页面
• 合并 PDF
• 拆分PDF
• 给PDF页面添加水印

使用简单的Python脚本！
安装
我们将使用第三方模块 PyPDF2。
PyPDF2 是一个构建为 PDF 工具包的Python库。它能够：

• 提取文档信息（标题、作者……）
• 逐页拆分文档
• 逐页合并文档
• 裁剪页面
• 将多个页面合并为一个页面
• 加密和解密PDF文件
• 和更多！

要安装 PyPDF2，请从命令行运行以下命令：

此模块名称区分大小写，因此请确保y为小写，其他所有内容均为大写。本教程/文章中使用的所有代码和 PDF 文件均可在此处获得。
1.从PDF文件中提取文本

Python

# importing required modules
import PyPDF2
 
# creating a pdf file object
pdfFileObj = open('example.pdf', 'rb')
 
# creating a pdf reader object
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
 
# printing number of pages in pdf file
print(pdfReader.numPages)
 
# creating a page object
pageObj = pdfReader.getPage(0)
 
# extracting text from page
print(pageObj.extractText())
 
# closing the pdf file object
pdfFileObj.close()

上述程序的输出如下所示：

20
PythonBasics
S.R.Doty
August27,2008
Contents

1Preliminaries
4
1.1WhatisPython?...................................
..4
1.2Installationanddocumentation....................
.........4 [and some more lines...]

让我们试着分块理解上面的代码：

pdfFileObj = open('example.pdf', 'rb')

• 我们以二进制模式打开example.pdf 。并将文件对象保存为pdfFileObj 。

pdfReader = PyPDF2.PdfFileReader(pdfFileObj)

• 在这里，我们创建 PyPDF2 模块的PdfFileReader类的对象，并传递 pdf 文件对象并获取 pdf 阅读器对象。

print(pdfReader.numPages)

• numPages属性给出了 pdf 文件中的页数。例如，在我们的例子中，它是 20（见第一行输出）。

pageObj = pdfReader.getPage(0)

• 现在，我们创建一个 PyPDF2 模块的PageObject类的对象。 pdf 阅读器对象具有函数getPage() ，它以页码（从索引 0 开始）作为参数并返回页面对象。

print(pageObj.extractText())

• Page 对象具有从 pdf 页面中提取文本的函数extractText() 。

pdfFileObj.close()

• 最后，我们关闭pdf文件对象。

注意：虽然 PDF 文件非常适合以人们易于打印和阅读的方式布置文本，但软件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。不幸的是，您对此无能为力。 PyPDF2 可能根本无法处理您的某些特定 PDF 文件。
2. 旋转 PDF 页面

Python

# importing the required modules
import PyPDF2
 
def PDFrotate(origFileName, newFileName, rotation):
 
    # creating a pdf File object of original pdf
    pdfFileObj = open(origFileName, 'rb')
     
    # creating a pdf Reader object
    pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
 
    # creating a pdf writer object for new pdf
    pdfWriter = PyPDF2.PdfFileWriter()
     
    # rotating each page
    for page in range(pdfReader.numPages):
 
        # creating rotated page object
        pageObj = pdfReader.getPage(page)
        pageObj.rotateClockwise(rotation)
 
        # adding rotated page object to pdf writer
        pdfWriter.addPage(pageObj)
 
    # new pdf file object
    newFile = open(newFileName, 'wb')
     
    # writing rotated pages to new file
    pdfWriter.write(newFile)
 
    # closing the original pdf file object
    pdfFileObj.close()
     
    # closing the new pdf file object
    newFile.close()
     
 
def main():
 
    # original pdf file name
    origFileName = 'example.pdf'
    
    # new pdf file name
    newFileName = 'rotated_example.pdf'
     
    # rotation angle
    rotation = 270
     
    # calling the PDFrotate function
    PDFrotate(origFileName, newFileName, rotation)
     
if __name__ == "__main__":
    # calling the main function
    main()

在这里你可以看到rotated_example.pdf的第一页在旋转后的样子（右图）：

与上述代码相关的一些要点：

• 对于旋转，我们首先创建原始 pdf 的 pdf 阅读器对象。

pdfWriter = PyPDF2.PdfFileWriter()

• 旋转的页面将被写入新的 pdf。为了写入 pdf，我们使用 PyPDF2 模块的PdfFileWriter类的对象。

for page in range(pdfReader.numPages):
        pageObj = pdfReader.getPage(page)
        pageObj.rotateClockwise(rotation)
        pdfWriter.addPage(pageObj)

• 现在，我们迭代原始pdf的每一页。我们通过pdf阅读器类的getPage()方法获取页面对象。现在，我们通过页面对象类的rotateClockwise()方法旋转页面。然后，我们通过传递旋转的页面对象，使用 pdf writer 类的addPage()方法将页面添加到 pdf writer 对象。

newFile = open(newFileName, 'wb')
pdfWriter.write(newFile)
pdfFileObj.close()
newFile.close()

• 现在，我们必须将 pdf 页面写入一个新的 pdf 文件。首先，我们打开新的文件对象，并使用 pdf writer 对象的write()方法将 pdf 页面写入其中。最后，我们关闭原来的pdf文件对象和新的文件对象。

3.合并PDF文件

Python

# importing required modules
import PyPDF2
 
 
def PDFmerge(pdfs, output):
    # creating pdf file merger object
    pdfMerger = PyPDF2.PdfFileMerger()
 
    # appending pdfs one by one
    for pdf in pdfs:
        pdfmerger.append(pdf)
 
    # writing combined pdf to output pdf file
    with open(output, 'wb') as f:
        pdfMerger.write(f)
 
 
def main():
    # pdf files to merge
    pdfs = ['example.pdf', 'rotated_example.pdf']
 
    # output pdf file name
    output = 'combined_example.pdf'
 
    # calling pdf merge function
    PDFmerge(pdfs=pdfs, output=output)
 
 
if __name__ == "__main__":
    # calling the main function
    main()

上述程序的输出是一个合并的pdf，由合并example.pdf和rotated_example.pdf得到的combined_example.pdf 。
让我们来看看这个程序的重要方面：

pdfMerger = PyPDF2.PdfFileMerger()

• 对于合并，我们使用预建类PyPDF2模块PdfFileMerger。
  在这里，我们创建一个pdf合并类的对象pdfMerger

for pdf in pdfs:
        pdfmerger.append(open(focus, "rb"))

• 现在，我们使用append()方法将每个 pdf 的文件对象附加到 pdf 合并对象。

with open(output, 'wb') as f:
        pdfMerger.write(f)

• 最后，我们使用pdf合并对象的write方法将pdf页面写入输出pdf文件。

4. 拆分PDF文件

Python

# importing the required modules
import PyPDF2
 
def PDFsplit(pdf, splits):
    # creating input pdf file object
    pdfFileObj = open(pdf, 'rb')
     
    # creating pdf reader object
    pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
     
    # starting index of first slice
    start = 0
     
    # starting index of last slice
    end = splits[0]
     
     
    for i in range(len(splits)+1):
        # creating pdf writer object for (i+1)th split
        pdfWriter = PyPDF2.PdfFileWriter()
         
        # output pdf file name
        outputpdf = pdf.split('.pdf')[0] + str(i) + '.pdf'
         
        # adding pages to pdf writer object
        for page in range(start,end):
            pdfWriter.addPage(pdfReader.getPage(page))
         
        # writing split pdf pages to pdf file
        with open(outputpdf, "wb") as f:
            pdfWriter.write(f)
 
        # interchanging page split start position for next split
        start = end
        try:
            # setting split end position for next split
            end = splits[i+1]
        except IndexError:
            # setting split end position for last split
            end = pdfReader.numPages
         
    # closing the input pdf file object
    pdfFileObj.close()
             
def main():
    # pdf file to split
    pdf = 'example.pdf'
     
    # split page positions
    splits = [2,4]
     
    # calling PDFsplit function to split pdf
    PDFsplit(pdf, splits)
 
if __name__ == "__main__":
    # calling the main function
    main()

输出将是三个新的 PDF 文件，分别为split 1 (page 0,1), split 2(page 2,3), split 3(page 4-end) 。
上面的Python程序中没有使用新的函数或类。使用简单的逻辑和迭代，我们根据传递的列表splits创建了传递的pdf 的拆分。
5.给PDF页面添加水印

Python

# importing the required modules
import PyPDF2
 
def add_watermark(wmFile, pageObj):
    # opening watermark pdf file
    wmFileObj = open(wmFile, 'rb')
    
    # creating pdf reader object of watermark pdf file
    pdfReader = PyPDF2.PdfFileReader(wmFileObj)
     
    # merging watermark pdf's first page with passed page object.
    pageObj.mergePage(pdfReader.getPage(0))
     
    # closing the watermark pdf file object
    wmFileObj.close()
     
    # returning watermarked page object
    return pageObj
 
def main():
    # watermark pdf file name
    mywatermark = 'watermark.pdf'
    
    # original pdf file name
    origFileName = 'example.pdf'
     
    # new pdf file name
    newFileName = 'watermarked_example.pdf'
     
    # creating pdf File object of original pdf
    pdfFileObj = open(origFileName, 'rb')
     
    # creating a pdf Reader object
    pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
 
    # creating a pdf writer object for new pdf
    pdfWriter = PyPDF2.PdfFileWriter()
     
    # adding watermark to each page
    for page in range(pdfReader.numPages):
        # creating watermarked page object
        wmpageObj = add_watermark(mywatermark, pdfReader.getPage(page))
         
        # adding watermarked page object to pdf writer
        pdfWriter.addPage(wmpageObj)
 
    # new pdf file object
    newFile = open(newFileName, 'wb')
     
    # writing watermarked pages to new file
    pdfWriter.write(newFile)
 
    # closing the original pdf file object
    pdfFileObj.close()
    # closing the new pdf file object
    newFile.close()
 
if __name__ == "__main__":
    # calling the main function
    main()

这是原始（左）和带水印（右）pdf文件的第一页的样子：

• 所有过程与页面旋转示例相同。唯一的区别是：

wmpageObj = add_watermark(mywatermark, pdfReader.getPage(page))

• 使用add_watermark()函数将页面对象转换为带水印的页面对象。
• 让我们试着理解add_watermark()函数：

wmFileObj = open(wmFile, 'rb')
pdfReader = PyPDF2.PdfFileReader(wmFileObj) 
pageObj.mergePage(pdfReader.getPage(0))
wmFileObj.close()
return pageObj

• 首先，我们创建一个watermark.pdf的 pdf 阅读器对象。对于传入的page对象，我们使用mergePage()函数，传入watermark pdf reader对象第一页的page对象。这将在传递的页面对象上覆盖水印。

在这里，我们结束了这个关于在Python处理 PDF 文件的长教程。
现在，您可以轻松创建自己的 PDF 管理器！
参考：

• https://automatetheboringstuff.com/chapter13/
• https://pythonhosted.org/PyPDF2/