Python使用Reportlab处理PDF数据 - PyPDF2包 | pdfrw包 | PyFPDF包

亚图跨际

已于 2022-04-28 09:37:01 修改

阅读量1.1k

点赞数

分类专栏： Python 编程文章标签： reportlab python pdf

于 2020-10-27 06:12:49 首次发布

本文链接：https://blog.csdn.net/jiyotin/article/details/109302979

版权

Python 同时被 2 个专栏收录

368 篇文章 24 订阅

订阅专栏

编程

136 篇文章 16 订阅

订阅专栏

PyPDF2包

PyPDF2软件包是一个纯Python PDF库，可用于拆分，合并，裁剪和转换PDF中的页面。根据PyPDF2网站，您也可以使用PyPDF2向PDF添加数据，查看选项和密码。最后，您可以使用PyPDF2从PDF中提取文本和元数据。

PyPDF2实际上是Mathiew Fenniak编写并于2005年发布的原始pyPdf的分支。但是，最初的pyPdf的最新发布是在2014年。一家名为Phaseit，Inc的公司与Mathieu进行了交谈，最终赞助了PyPDF2作为pyPdf的分支。

在撰写本书时，PyPDF2软件包自2016年以来还没有发布过。但是，它仍然是一个坚实而有用的软件包，值得您学习。

本文包含以下内容：

提取元数据
分割文档
合并PDF文件
旋转页面
叠加/水印页面
加密/解密

安装

PyPDF2是一个纯Python软件包，因此您可以使用pip进行安装（假设pip位于系统路径中）：

python -m pip install pypdf2

像往常一样，您应该将第3方Python软件包安装到Python虚拟环境中，以确保它按照您希望的方式工作。

提取元数据

您可以使用PyPDF2从任何PDF中提取大量有用的数据。例如，您可以了解文档的作者，文档的标题和主题以及有多少页。

代码略

在这里，我们从PyPDF2导入PdfFileReader类。此类使我们能够使用各种访问器方法读取PDF并从中提取数据。我们要做的第一件事是创建我们自己的get_info函数，该函数接受PDF文件路径作为唯一参数。然后，我们以只读二进制模式打开文件。接下来，我们将该文件处理程序传递给PdfFileReader并创建它的实例。

现在，我们可以使用getDocumentInfo方法从PDF中提取一些信息。这将返回PyPDF2.pdf.DocumentInformation的实例，该实例具有以下有用的属性，其中包括：

author
creator
producer
subject
title

如果打印出DocumentInformation对象，将看到以下内容：

{'/Author': 'Michael Driscoll',
 '/CreationDate': 'D:20180331023901-00'00'',
 '/Creator': 'LaTeX with hyperref package',
 '/Producer': 'XeTeX 0.99998',
 '/Title': 'ReportLab - PDF Processing with Python'}

我们还可以通过调用getNumPages方法获取PDF中的页数。

提取文本

PyPDF2对从PDF提取文本的支持有限。不幸的是，它没有内置的提取图像的支持。

让我们尝试从上一部分中下载的PDF的第一页中提取文本：

代码略

您会注意到，该代码的开始方式与前面的示例几乎相同。我们仍然需要创建一个PdfFileReader实例。但是这次，我们使用getPage方法获取页面。 PyPDF2是基于0的，与Python中的大多数东西非常相似，因此当您将其传递为1时，它实际上会获取第二页。在这种情况下，第一页只是一张图片，因此没有任何文字。

有趣的是，如果运行此示例，您会发现它不返回任何文本。相反，我得到的只是一系列换行符。不幸的是，PyPDF2对提取文本的支持非常有限。即使它能够提取文本，也可能与您期望的顺序不符，并且间距也可能不同。

要使此示例代码正常工作，您将需要尝试针对其他PDF运行它。

这是针对自雇或签约雇员的W9表格。它也可以在其他情况下使用。无论如何，我将其下载为w9.pdf。

分割PDF

PyPDF2软件包使您能够将单个PDF拆分为多个PDF。您只需要告诉它要多少页即可。在此示例中，我们将打开上一个示例中的W9 PDF，并循环浏览其所有六个页面。我们将拆分每个页面，并将其转换为自己的独立PDF。

代码略

对于此示例，我们需要同时导入PdfFileReader和PdfFileWriter。然后，我们创建一个有趣的小函数pdf_splitter。它接受输入PDF的路径。该函数的第一行将获取输入文件的名称，减去扩展名。接下来，我们打开PDF并创建一个reader对象。然后，我们使用阅读器对象的getNumPages方法遍历所有页面。

在for循环内，我们创建PdfFileWriter的实例。然后，我们使用页面的addPage方法将页面添加到我们的writer对象。此方法接受一个页面对象，因此要获取该页面对象，我们将读取器对象的getPage方法调用。现在，我们已经在writer对象中添加了一页。下一步是创建一个唯一的文件名，方法是使用原始文件名加上单词“ page”加上页码+1。我们添加一个是因为PyPDF2的页码是从零开始的，所以页面0实际上是第1页

最后，我们以写二进制模式打开新文件名，并使用PDF writer对象的write方法将对象的内容写入磁盘。