如何使用Python处理PDF文档

我真的很佩服可移植文档格式（PDF）文件。 我记得有一天，由于Word版本中的某些差异或其他原因，此类文件解决了交换文件时的任何格式问题。

我们主要在这里谈论Python，不是吗？ 而且，我们有兴趣将其与PDF文档配合使用。 好吧，您可能会说这很简单，尤其是如果您以前将Python与文本文件 （txt）一起使用过。 但是，这里有点不同。 PDF文档是二进制文件 ，比纯文本文件更复杂，尤其是因为它们包含不同的字体类型，颜色等。

这并不意味着很难使用Python处理PDF文档，而是相当简单，并且使用外部模块即可解决该问题。

PyPDF2

如上所述，使用外部模块将是关键。 我们将在本教程中使用的模块是PyPDF2 。 由于它是一个外部模块，因此我们必须要做的第一步是安装该模块。 为此，我们将使用pip ，它（基于维基百科）：

软件包管理系统，用于安装和管理以Python编写的软件包。 在Python软件包索引（PyPI）中可以找到许多软件包。

您可以按照《 Python打包用户指南》中提到的步骤安装pip ，但是如果您具有Python 2.7.9和更高版本，或者Python 3.4和更高版本，则已经具有pip ！

现在可以通过键入以下命令（在Mac OS X的Terminal中）简单地安装PyPDF2 ：

pip install pypdf2

大！ 现在，您已经安装了PyPDF2 ，并且可以开始播放PDF文档了。

阅读PDF文件

我们将在本教程中使用的示例文件是sample.pdf 。 继续下载该文件以遵循本教程，或者您可以简单地使用任何您喜欢的PDF文件。

现在，让我们继续阅读PDF文档。 由于我们将使用PyPDF2 ，因此需要导入模块，如下所示：

import pypdf2

导入模块后，我们将使用PdfFileReader类。 因此，用于阅读PDF文档的脚本如下所示：

import PyPDF2
pdf_file = open('sample.pdf')
read_pdf = PyPDF2.PdfFileReader(pdf_file)

PDF文档的更多操作

阅读PDF文档后，我们现在可以对该文档执行不同的操作，如本节所述。

页数

让我们检查sample.pdf中的页数。 为此，我们可以使用getNumPages（）方法：

number_of_pages = read_pdf.getNumPages()
print number_of_pages

在这种情况下，返回值将为1 。

页码

现在让我们检查PDF文档中某些页面的数量。 我们可以使用getPageNumber(page)方法，请注意，我们必须将类型为page的对象传递给该方法。 要检索page ，我们将使用getPage(number)方法，其中number表示PDF文档中的页码。 参数number以值0开头。

好吧，我知道当您使用getPage(number)您已经知道页码，但这只是为了说明如何一起使用这些方法。 可以在以下脚本中证明这一点：

page = read_pdf.getPage(0)
page_number = read_pdf.getPageNumber(page)
print page_number

继续，尝试脚本。 您得到了什么输出？

我们知道在sample.pdf （我们正在试验的文件）中，我们只有一页（数字0 ）。 如果我们将数字1作为页码传递给getPage(number)怎么办？ 在这种情况下，您将收到以下错误：

Traceback (most recent call last):
  File "test.py", line 6, in <module>
    page = read_pdf.getPage(1)
  File "/usr/local/lib/python2.7/site-packages/PyPDF2/pdf.py", line 1158, in getPage
    return self.flattenedPages[pageNumber]
IndexError: list index out of range

这是因为该页面不可用，并且我们使用的页面号超出范围（不存在）。

页面模式

PDF页面具有以下不同的模式：

/使用无	不显示轮廓或缩略图面板
/ UseOutlines	显示轮廓（又称书签）面板
/ UseThumbs	显示页面缩略图面板
/全屏	全萤幕检视
/使用OC	显示可选内容组（OCG）面板
/使用附件	显示附件面板

为了检查我们的页面模式，我们可以使用以下脚本：

page = read_pdf.getPage(0)
page_mode = read_pdf.getPageMode()
print page_mode

对于我们的PDF文档（ sample.pdf ），返回值为none ，这意味着未指定页面模式。 如果要指定页面模式，可以使用setPageMode(mode)方法，其中mode是上表中列出的模式之一。

提取文字

到目前为止，我们一直在文件中徘徊，让我们看看其中的内容。 方法extractText()将成为我们在此任务中的朋友。

让我向您展示执行此操作的完整脚本，而不是上面我仅向您显示执行操作所需的脚本。 从PDF文档中提取文本的脚本如下：

import PyPDF2
pdf_file = open('sample.pdf')
read_pdf = PyPDF2.PdfFileReader(pdf_file)
number_of_pages = read_pdf.getNumPages()
page = read_pdf.getPage(0)
page_content = page.extractText()
print page_content

当我得到以下输出而不是sample.pdf时，我感到很惊讶：

!"#$%#$%&%$&'()*%+,-%./01'*23%4
5'%1$#26%3/%7/))/8%&)/26%8#3"%3"*%313/9#&)
%

这很可能是由于字体问题引起的，因此字符代码映射到其他值。 因此，PDF文档本身有时会出现问题，因为PDF文档可能不包含还原内容所需的数据。

因此，我尝试了另一个文件，即我的文件： paper.pdf 。 继续，将代码中的sample.pdf替换为paper.pdf 。 在这种情况下，输出为：

Medical Imaging 2012: Image Perception, Observer Performance, and Technology Assessment, edited by Craig K. Abbey, Claudia R. Mello-Thoms, Proc. of SPIE Vol. 8318, 83181I © 2012 SPIE · CCC code: 1605-7422/12/$18 · doi: 10.1117/12.912389Proc. of SPIE Vol. 8318  83181I-1Downloaded from SPIE Digital Library on 13 Aug 2012 to 134.130.12.208. Terms of Use:  http://spiedl.org/terms

但是，页面中其余文本在哪里？ 好吧，实际上extractText()方法似乎并不完美，需要进行一些改进。 但是，这里的目标是向您展示如何使用Python处理PDF文件，并且似乎需要对该领域进行一些改进。

结论

如我们所见，Python使处理PDF文档变得简单。 本教程只是介绍该主题的内容，您可以在PyPDF2文档页面上找到有关可以对PDF文档执行的不同操作的更多详细信息。

翻译自: https://code.tutsplus.com/tutorials/how-to-work-with-pdf-documents-using-python--cms-25726