Python 操作 PDF
相關(guān)介紹
1)Python 操作 PDF 會用到兩個(gè)庫，分別是：PyPDF2 和 pdfplumber
其中 PyPDF2 可以更好的讀取、寫入、分割、合并PDF文件，而 pdfplumber 可以更好的讀取 PDF 文件中內(nèi)容和提取 PDF 中的表格
由于這兩個(gè)庫都不是 Python 的標(biāo)準(zhǔn)庫，所以在使用之前都需要單獨(dú)安裝
安裝命令如下：
pip install PyPDF
pip install pdfplumber
批量拆分
1）PDF 拆分成幾個(gè)小的 PDF
大致思路：讀取 PDF ，以每個(gè) step 為間隔將 PDF 存成每一個(gè)小的文件塊，
將小的文件塊重新保存為新的 PDF 文件
示例代碼：
import PyPDF2
from PyPDF2 import PdfFileReader, PdfFileWriter
import os
def split_pdf(filename, filepath, save_dirpath, step):
"""
拆分PDF為多個(gè)小的PDF文件，
@param filename:文件名
@param filepath:文件路徑
@param save_dirpath:保存小的PDF的文件路徑
@param step: 每step間隔的頁面生成一個(gè)文件，例如step=5，表示0-4頁、5-9頁...為一個(gè)文件
@return:
"""
if not os.path.exists(save_dirpath):
os.mkdir(save_dirpath)
pdf_reader = PdfFileReader(filepath)
# 讀取每一頁的數(shù)據(jù)
pages = pdf_reader.getNumPages()
for page in range(0, pages, step):
pdf_writer = PdfFileWriter()
# 拆分pdf，每 step 頁的拆分為一個(gè)文件
for index in range(page, page+step):
if index < pages:
pdf_writer.addPage(pdf_reader.getPage(index))
# 保存拆分后的小文件
save_path = os.path.join(save_dirpath, filename+str(int(page/step)+1)+'.pdf')
print(save_path)
with open(save_path, "wb") as out:
pdf_writer.write(out)
print("文件已成功拆分，保存路徑為："+save_dirpath)
filename = 'Python.pdf'
filepath = "D:\\Python操作PDF\\Python.pdf"
save_dirpath= 'D:\\Python操作PDF\\Python'
step=60
split_pdf(filename, filepath, save_dirpath, step)
結(jié)果：
D:\Python操作PDF\Python\Python.pdf1.pdf
D:\Python操作PDF\Python\Python.pdf2.pdf
D:\Python操作PDF\Python\Python.pdf3.pdf
D:\Python操作PDF\Python\Python.pdf4.pdf
D:\Python操作PDF\Python\Python.pdf5.pdf
D:\Python操作PDF\Python\Python.pdf6.pdf
文件已成功拆分，保存路徑為：D:\Python操作PDF\Python
Process finished with exit code 0
image.png
image.png
批量合并
1）大致思路：
確定要合并的 文件順序
循環(huán)追加到一個(gè)文件塊中
保存成一個(gè)新的文件
def concat_pdf(filename, read_dirpath, save_filepath):
"""
合并多個(gè)PDF文件
@param filename:文件名
@param read_dirpath:要合并的PDF目錄
@param save_filepath:合并后的PDF文件路徑
@return:
"""
pdf_writer = PdfFileWriter()
# 對文件名進(jìn)行排序
list_filename = os.listdir(read_dirpath)
list_filename.sort(key=lambda x: int(x[:-4].replace(filename, "")))
for filename in list_filename:
print(filename)
filepath = os.path.join(read_dirpath, filename)
# 讀取文件并獲取文件的頁數(shù)
pdf_reader = PdfFileReader(filepath)
pages = pdf_reader.getNumPages()
# 逐頁添加
for page in range(pages):
pdf_writer.addPage(pdf_reader.getPage(page))
# 保存合并后的文件
with open(save_filepath, "wb") as out:
pdf_writer.write(out)
print("文件已成功合并，保存路徑為："+save_filepath)
提取文字內(nèi)容
1）提取指定頁內(nèi)容
示例代碼：
def extract_text_info(filepath):
"""
提取PDF中的文字
@param filepath:文件路徑
@return:
"""
with pdfplumber.open(filepath) as pdf:
# 獲取第2頁數(shù)據(jù)
page = pdf.pages[1]
print(page.extract_text())
2)獲取整個(gè)文件
ef extract_text_info(filepath):
"""
提取PDF中的文字
@param filepath:文件路徑
@return:
"""
with pdfplumber.open(filepath) as pdf:
# 獲取全部數(shù)據(jù)
for page in pdf.pages
print(page.extract_text())
提取表格內(nèi)容
1）提取一個(gè)表格
def extract_table_info(filepath):
"""
提取PDF中的圖表數(shù)據(jù)
@param filepath:
@return:
"""
with pdfplumber.open(filepath) as pdf:
# 獲取第18頁數(shù)據(jù)
page = pdf.pages[17]
# 如果一頁有一個(gè)表格，設(shè)置表格的第一行為表頭，其余為數(shù)據(jù)
table_info = page.extract_table()
df_table = pd.DataFrame(table_info[1:], columns=table_info[0])
df_table.to_csv('dmeo.csv', index=False, encoding='gbk')
2)提取多個(gè)表格
def extract_table_info(filepath):
"""
提取PDF中的圖表數(shù)據(jù)
@param filepath:
@return:
"""
# 如果一頁有多個(gè)表格，對應(yīng)的數(shù)據(jù)是一個(gè)三維數(shù)組
tables_info = page.extract_tables()
for index in range(len(tables_info)):
# 設(shè)置表格的第一行為表頭，其余為數(shù)據(jù)
df_table = pd.DataFrame(tables_info[index][1:], columns=tables_info[index][0])
print(df_table)
# df_table.to_csv('dmeo.csv', index=False, encoding='gbk')
提取圖片內(nèi)容
1）安裝 PyMuPDF 模塊
pip install PyMuPDF
大致·思路：打開文檔>遍歷元素>正則匹配>生成圖片>過濾圖片
示例：
"""2. 遍歷PDF中的對象，遇到是圖像才進(jìn)行下一步，不然就continue"""
for index in range(1, xref_len):
# 1.16.8版本用法 text = doc._getXrefString(index)
# 最新版本
text = pdf_info.xref_object(index)
is_XObject = re.search(check_XObject, text)
is_Image = re.search(check_Image, text)
# 如果不是對象也不是圖片，則不操作
if is_XObject or is_Image:
img_count += 1
# 根據(jù)索引生成圖像
pix = fitz.Pixmap(pdf_info, index)
pic_filepath = os.path.join(pic_dirpath, 'img_' + str(img_count) + '.png')
"""pix.size 可以反映像素多少，簡單的色素塊該值較低，可以通過設(shè)置一個(gè)閾值過濾。以閾值 10000 為例過濾"""
# if pix.size < 10000:
# continue
"""三、 將圖像存為png格式"""
if pix.n >= 5:
# 先轉(zhuǎn)換CMYK
pix = fitz.Pixmap(fitz.csRGB, pix)
# 存為PNG
pix.writePNG(pic_filepath)
轉(zhuǎn)換為圖片
1)安裝 pdf2image模塊
2)安裝組件
windows 用戶需要安裝 poppler for Windows，安裝鏈接是：http://blog.alivate.com.au/poppler-windows/
mac 用戶，需要安裝 poppler for Mac，具體可以參考這個(gè)鏈接：http://macappstore.org/poppler/
示例：
if not os.path.exists(pic_dirpath):
os.makedirs(pic_dirpath)
images = convert_from_bytes(open(filepath, 'rb').read())
# images = convert_from_path(filepath, dpi=200)
for image in images:
# 保存圖片
pic_filepath = os.path.join(pic_dirpath, 'img_'+str(images.index(image))+'.png')
image.save(pic_filepath, 'PNG')
添加水印
主要代碼：
watermark = PdfFileReader(watermark_filepath)
watermark_page = watermark.getPage(0)
pdf_reader = PdfFileReader(filepath)
pdf_writer = PdfFileWriter()
for page_index in range(pdf_reader.getNumPages()):
current_page = pdf_reader.getPage(page_index)
# 封面頁不添加水印
if page_index == 0:
new_page = current_page
else:
new_page = copy(watermark_page)
new_page.mergePage(current_page)
pdf_writer.addPage(new_page)
# 保存水印后的文件
with open(save_filepath, "wb") as out:
pdf_writer.write(out)
文檔加密與解密
1)加密操作
pdf_reader = PdfFileReader(filepath)
pdf_writer = PdfFileWriter()
for page_index in range(pdf_reader.getNumPages()):
pdf_writer.addPage(pdf_reader.getPage(page_index))
# 添加密碼
pdf_writer.encrypt(passwd)
with open(save_filepath, "wb") as out:
pdf_writer.write(out)
2）解密操作
pdf_reader = PdfFileReader(filepath)
# PDF文檔解密
pdf_reader.decrypt('python')
pdf_writer = PdfFileWriter()
for page_index in range(pdf_reader.getNumPages()):
pdf_writer.addPage(pdf_reader.getPage(page_index))
with open(save_filepath, "wb") as out:
pdf_writer.write(out)
