DW-办公自动化04（PDF）

1 相关介绍

• 相关库：Python操作PDF会用到两个库
  • PyPDF2：可以更好的读取、写入、分割、合并PDF文件
  • pdfplumber：可以更好的读取 PDF 文件中内容和提取 PDF 中的表格
  • 两个都需要单独安装

  pip install PyPDF2
  pip install pdfplumber
  

  注：PyPDF2无法从PDF文档中提取图像、图表或其他媒体，但它可以提取文本，并将文本返回为Python字符串

2 批量拆分

• 拆分思路：涉及到 PDF 整体的操作，需要用到 PyPDF2 这个库
  • 读取 PDF 的整体信息、总页数等
  • 遍历每一页内容，以每个 step 为间隔将 PDF 存成每一个小的文件块
  • 将小的文件块重新保存为新的 PDF 文件

  import os
  def split_pdf(filename, filepath, save_dirpath, step=5):
      """
      拆分PDF为多个小的PDF文件，
      @param filename:文件名
      @param filepath:文件路径
      @param save_dirpath:保存小的PDF的文件路径
      @param step: 每step间隔的页面生成一个文件，例如step=5，表示0-4页、5-9页...为一个文件
      @return:
      """
      if not os.path.exists(save_dirpath):
          os.mkdir(save_dirpath)
      pdf_reader = PdfFileReader(filepath)
      # 读取每一页的数据
      pages = pdf_reader.getNumPages()
      # page取值:list [0, 5, 10...pages)
      for page in range(0, pages, step):
          pdf_writer = PdfFileWriter()
          # 拆分pdf，每 step 页的拆分为一个文件
          # index取值, 区间: [0, 5),[5, 10)
          for index in range(page, page+step):
          	# 防止全部页数不能整除
              if index < pages:
              	# 逐页添加
                  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，保存路径为："+save_dirpath)
  

  # 导入拆分函数中需要的模块
  from PyPDF2 import PdfFileReader 
  from PyPDF2 import PdfFileWriter
  

  # 分隔PDF
  path = '易方达中小板指数证券投资基金（LOF）2020年中期报告' # 当前路径下
  split_pdf(path, path + '.pdf', 'test_pdf')
  

  注：第一次运行会出现下面的报错

  UnicodeEncodeError: 'latin-1' codec can't encode characters in position 8-9:
  

  
  • 解决方法：
    • 在Pycharm下，直接通过报错信息，点击utils.py文件，定位到238行原文
      原文是这样的：

     r = s.encode('latin-1')
     if len(s) < 2:
       		bc[s] = r
     return r
    

    修改为：

    try:
        r = s.encode('latin-1')
        if len(s) < 2:
            bc[s] = r
        return r
    except Exception as e