关于PDF的相关操作-----PyPDF2

对于pdf文件的相关操作，PyPDF2文档中具有许多功能，阅读完本文后相信你会对pdf的操作变得非常自信！！

https://pythonhosted.org/PyPDF2/

该网址是PyPDF2英文文档的链接，本人从中提取了相应数据，并制作成表格方便大家比较和分析。

目录

一、准备工作

1.安装PyPDF2

 2.导入相应的库

 二、类的介绍

1.PdfFileReader（）

2.PdfFileMerger（）

3.PageObject（）

4.PdfFileWriter（）

三、代码演示---将pdf分割成自己想要的pdf

1.思路

2.代码与结果展示

3.总结

---

一、准备工作

1.安装PyPDF2

本文采用在pycharm中安装，左上角File---Settings---找到Project---Python interpreter---点击+

---输入pypdf2(大小写均可)---点击install Package---最后等待安装

 2.导入相应的库

由于PyPDF2中有很多类，每个类中又有许多方法

 所以导入相应的类时要注意层次和大小写

from PyPDF2 import PdfFileReader, PdfFileWriter

 二、类的介绍

注：以下表格建议在电脑上查看，红色的内容为平时用的比较多的方法。

1.PdfFileReader（）

PdfFileReader（流，strict=True，warndest=None，overwriteWarnings=True ）

含义：初始化 PdfFileReader 对象。此操作可能需要一些时间，因为 PDF 流的交叉引用表被读入内存。

参数：	流– File 对象或支持类似于 File 对象的标准读取和查找方法的对象。也可以是表示 PDF 文件路径的字符串。 严格( bool ) - 确定是否应警告用户所有问题，并导致一些可纠正的问题成为致命的。默认为True. warndest – 记录警告的目的地（默认为 sys.stderr）。 overwriteWarnings ( bool ) – 确定是否warnings.py使用自定义实现覆盖 Python 的 模块（默认为 True）。

方法名	含义	参数	返回	返回类型
decrypt(密码)	当使用带有 PDF 标准加密处理程序的加密/安全 PDF 文件时，此功能将允许解密文件。它根据文档的用户密码和所有者密码检查给定的密码，然后如果其中一个密码正确，则存储生成的解密密钥。	密码( str ) – 要匹配的密码。	0如果密码失败， 1密码是否与用户密码匹配， 2密码是否与所有者密码匹配。	整数
getDestinationPageNumber(目的地)	检索给定 Destination 对象的页码	目的地（目的地）– 获取页码的目的地。	页码  或 -1(找不到页面)	整数
getDocumentInfo( )	检索 PDF 文件的文档信息字典（如果存在）。请注意，某些 PDF 文件使用元数据流而不是 docinfo 词典，并且此功能不会访问这些元数据流。		此 PDF 文件的文档信息	DocumentInformation或者None(不存在)
getFields( tree=None ,  retval=None , fileobj=None )	如果此 PDF 包含交互式表单字段，则提取字段数据。该树和retval的参数是递归使用。	fileobj – 一个文件对象（通常是一个文本文件），用于针对找到的所有交互式表单字段编写报告。	一个字典，其中每个键是一个字段名称，每个值是一个Field对象。默认情况下，映射名称用于键。	dict，或者None如果找不到表单数据。
getFormTextFields( )	从带有文本数据（输入、下拉菜单）的文档中检索表单域
getNamedDestinations( tree=None , retval=None )	检索文档中存在的命名目的地。		将名称映射到 Destinations	字典
getNumPages( )	计算此 PDF 文件中的页数。		页数	整数
getOutlines( node=None , outlines=None )	检索文档中存在的文档大纲。		嵌套列表Destinations
getPage( pageNumber )	从此 PDF 文件中按编号检索页面。	pageNumber ( int ) – 要检索的页码（页面从零开始）	一个PageObject实例	PageObject
getPageLayout( )	获取页面布局。有关setPageLayout() 有效布局的说明，请参见		当前使用的页面布局。	str,None如果没有指定
getPageMode( )	获取页面模式。有关setPageMode() 有效模式的说明，请参见		当前使用的页面模式	str,None如果没有指定
getPageNumber(页面)	检索给定 PageObject 的页码	page ( PageObject ) – 获取页码的页面。应该是一个实例PageObject	页码  或 -1(找不到页面)	整数
getXmpMetadata( )	从 PDF 文档根检索 XMP（可扩展元数据平台）数据		XmpInformation 可用于从文档访问 XMP 元数据的实例	XmpInformation或者 None如果在文档根目录中未找到元数据

2.PdfFileMerger（）

PdfFileMerger（严格=真）

含义：初始化 PdfFileMerger 对象。PdfFileMerger 将多个 PDF 合并为一个 PDF。它可以连接、切片、插入或以上任意组合。

参数：	严格( bool ) - 确定是否应警告用户所有问题，并导致一些可纠正的问题成为致命的。默认为True.

方法名	含义	参数
addBookmark( title , pagenum , parent=None )	向此 PDF 文件添加书签。	title ( str ) – 用于此书签的标题。 pagenum ( int ) – 此书签将指向的页码。 parent – 对父书签的引用以创建嵌套书签。
addMetadata(信息)	将自定义元数据添加到输出。	infos ( dict ) – 一个 Python 字典，其中每个键都是一个字段，每个值都是您的新元数据。例：{u'/Title': u'My title'}
addNamedDestination(标题,页码)	向输出添加目的地 。	title ( str ) – 要使用的标题 pagenum ( int ) – 此目标指向的页码
append( fileobj , bookmark=None ,  pages=None , import_bookmarks=True )	与该merge()方法相同，但假设您希望将所有页面连接到文件末尾而不是指定位置	fileobj – 文件对象或支持类似于文件对象的标准读取和查找方法的对象。也可以是表示 PDF 文件路径的字符串。 bookmark ( str ) – 可选地，您可以通过提供书签的文本来指定要在包含文件的开头应用的书签。 pages - 可以是一个Page Range或一个元组，用于将源文档中的指定范围的页面合并到输出文档中。(start, stop[, step]) import_bookmarks ( bool ) – 您可以通过将其指定为 来阻止源文档的书签被导入False。
close( )	关闭所有文件描述符（输入和输出）并清除所有内存使用。
merge( position , fileobj , bookmark=No ne,pages=None , import_bookmarks=True )	将给定文件中的页面合并到指定页码处的输出文件中。	position ( int ) –要插入此文件的页码。文件将被插入到给定的数字之后。 fileobj – 文件对象或支持类似于文件对象的标准读取和查找方法的对象。也可以是表示 PDF 文件路径的字符串。 bookmark ( str ) – 可选地，您可以通过提供书签的文本来指定要在包含文件的开头应用的书签。 pages - 可以是一个Page Range或一个元组，用于将源文档中的指定范围的页面合并到输出文档中。(start, stop[, step]) import_bookmarks ( bool ) – 您可以通过将其指定为 来阻止源文档的书签被导入False
setPageLayout(布局)	设置页面布局	layout ( str ) – 要使用的页面布局
setPageMode(模式)	设置页面模式。	mode ( str ) – 要使用的页面模式。
write( 文件对象)	写入已合并到给定输出文件的所有数据。	fileobj – 输出文件。可以是文件名或任何类型的类文件对象。

3.PageObject（）

PageObject（pdf=None，indirectRef=None ）

含义：此类表示 PDF 文件中的单个页面。通常这个对象会通过访问类的getPage()方法 来创建 PdfFileReader，但也可以使用createBlankPage()静态方法创建一个空页面 。

参数：	pdf – 页面所属的 PDF 文件。 间接引用 - 在其源 PDF 中存储对该对象的原始间接引用

方法名	含义	参数
addTransformation( ctm )	将转换矩阵应用于页面。	ctm ( tuple ) – 包含变换矩阵操作数的 6 元素元组。
compressContentStreams( )	通过加入所有内容流并应用 FlateDecode 过滤器来压缩此页面的大小。 但是，如果由于某种原因内容流压缩变为“自动”，则此功能可能不会执行任何操作。
extractText( )	按照内容流中提供的顺序定位所有文本绘制命令，然后提取文本。这对某些 PDF 文件效果很好，但对其他文件效果不佳，具体取决于所使用的生成器。这将在未来细化。不要依赖于这个函数的文本顺序，因为如果这个函数变得更复杂，它会改变。	一个 unicode 字符串对象。
getContents( )	访问页面内容。	/Contents对象，或者None如果它不存在。 /Contents是可选的
mergePage（第2页）	将两个页面的内容流合并为一个。资源引用（即字体）由两个页面维护。此页面的媒体框/裁剪框/等未更改。参数页面的内容流将被添加到此页面的内容流的末尾，这意味着它将在此页面之后或“顶部”绘制。	page2 ( PageObject ) – 要合并到这个页面的页面。应该是 的一个实例PageObject。
mergeRotatedPage( page2 ,旋转, expand=False )	这类似于mergePage，但要合并的流是通过应用转换矩阵来旋转的	page2 ( PageObject ) – 要合并到这个页面的页面。应该是 的一个实例PageObject。 旋转（float）–旋转的角度，以度为单位 expand ( bool ) – 是否应扩展页面以适合要合并的页面的尺寸。
mergeRotatedScaledPage( page2 , rotation , scale , expand=False )	这类似于mergePage，但要合并的流通过应用变换矩阵进行旋转和缩放。	page2 ( PageObject ) – 要合并到这个页面的页面。应该是 的一个实例PageObject。 旋转（float）–旋转的角度，以度为单位 scale ( float ) – 缩放因子expand ( bool ) – 是否应扩展页面以适合要合并的页面的尺寸。
mergeRotatedScaledTranslatedPage( page2 , rotation , scale , tx , ty , expand=False )	这类似于mergePage，但要合并的流通过应用转换矩阵进行平移、旋转和缩放。	page2 ( PageObject ) – 要合并到这个页面的页面。应该是 的一个实例PageObject。 tx ( float ) – X 轴上的平移 ty ( float ) – Y 轴上的平移 旋转（float）–旋转的角度，以度为单位 scale ( float ) – 缩放因子 expand ( bool ) – 是否应扩展页面以适合要合并的页面的尺寸。
mergeRotatedTranslatedPage( page2 , rotation , tx , ty , expand=False )	这类似于mergePage，但要合并的流通过应用转换矩阵进行旋转和平移。	page2 ( PageObject ) – 要合并到这个页面的页面。应该是 的一个实例PageObject。 tx ( float ) – X 轴上的平移 ty ( float ) – Y 轴上的平移 旋转（float）–旋转的角度，以度为单位 expand ( bool ) – 是否应扩展页面以适合要合并的页面的尺寸。
mergeScaledPage( page2 , scale , expand=False )	这类似于mergePage，但要合并的流是通过应用转换矩阵来缩放的。	page2 ( PageObject ) – 要合并到这个页面的页面。应该是 的一个实例PageObject。 scale ( float ) – 缩放因子 expand ( bool ) – 是否应扩展页面以适合要合并的页面的尺寸。
mergeScaledTranslatedPage( page2 , scale , tx , ty , expand=False )	这类似于mergePage，但要合并的流通过应用转换矩阵进行转换和缩放。	page2 ( PageObject ) – 要合并到这个页面的页面。应该是 的一个实例PageObject。 scale ( float ) – 缩放因子 tx ( float ) – X 轴上的平移 ty ( float ) – Y 轴上的平移 expand ( bool ) – 是否应扩展页面以适合要合并的页面的尺寸。
mergeTransformedPage( page2 , ctm , expand=False )	这类似于mergePage，但转换矩阵应用于合并的流。	page2 ( PageObject ) – 要合并到这个页面的页面。应该是 的一个实例PageObject。 ctm ( tuple ) – 包含变换矩阵操作数的 6 元素元组 expand ( bool ) – 是否应扩展页面以适合要合并的页面的尺寸。
mergeTranslatedPage( page2 , tx , ty , expand=False )	这类似于mergePage，但要合并的流是通过应用转换矩阵来转换的。	page2 ( PageObject ) – 要合并到这个页面的页面。应该是 的一个实例PageObject。 tx ( float ) – X 轴上的平移 ty ( float ) – Y 轴上的平移 expand ( bool ) – 是否应扩展页面以适合要合并的页面的尺寸。
rotateClockwise(角度)	以 90 度为增量顺时针旋转页面。	角度( int ) – 旋转页面的角度。必须是 90 度的增量
rotateCounterClockwise(角度)	以 90 度为增量逆时针旋转页面。	角度( int ) – 旋转页面的角度。必须是 90 度的增量
scale( sx , sy )	通过将转换矩阵应用于其内容并更新页面大小，按给定因子缩放页面。	sx ( float ) – 水平轴上的缩放因子。 sy ( float ) – 垂直轴上的缩放因子。
scaleBy(因子)	通过将转换矩阵应用于其内容并更新页面大小，按给定因子缩放页面。	factor ( float ) – 缩放因子（对于 X 和 Y 轴）。
scaleTo(宽度,高度)	通过将转换矩阵应用于其内容并更新页面大小，将页面缩放到指定的尺寸。	width ( float ) – 新的宽度。 height ( float ) – 新的高度。

 

4.PdfFileWriter（）

PdfFileWriter

含义：给定由另一个类（通常为PdfFileReader）生成的页面，此类支持写出 PDF 文件。

方法名	含义	参数	返回	返回类型
addAttachment( fname , fdata )	在 PDF 中嵌入文件。	fname ( str ) – 要显示的文件名。 fdata ( str ) – 文件中的数据。
addBlankPage（宽度=无，高度=无）	将空白页附加到此 PDF 文件并返回。如果未指定页面大小，则使用最后一页的大小。	width ( float ) – 以默认用户空间单位表示的新页面的宽度。 height ( float ) – 以默认用户空间单位表示的新页面的高度。
addBookmark( title , pagenum , parent=None  , color=None , bold=False ,  italic=False , fit='/Fit' , *args )	向此 PDF 文件添加书签。	title ( str ) – 用于此书签的标题。 pagenum ( int ) – 此书签将指向的页码。 parent – 对父书签的引用以创建嵌套书签。 color ( tuple ) – 书签的颜色为从 0.0 到 1.0 的红、绿、蓝元组 粗体( bool ) – 书签为粗体 斜体( bool ) – 书签为斜体 fit ( str ) – 目标页面的适合度。详情请参阅 addLink()。
addJS( javascript )	添加将在打开此 PDF 时启动的 Javascript。	javascript ( str ) – 你的 Javascript。
addLink( pagenum , pagedest ,  rect , border=None , fit='/Fit' , *args )	添加从矩形区域到指定页面的内部链接。	pagenum ( int ) – 放置链接的页面的索引。 pagedest ( int ) – 链接应该转到的页面的索引。 rect –RectangleObject或四个整数的数组，指定可点击的矩形区域 ，或形式为 的字符串。[xLL, yLL, xUR, yUR]"[ xLL yLL xUR yUR ]" border - 如果提供，则是一个描述边框绘制属性的数组。有关详细信息，请参阅 PDF 规范。如果省略此参数，则不会绘制边框。 fit ( str ) – 页面适合或“缩放”选项（见下文）。可能需要提供其他参数。传递None将被读取为该坐标的空值。
addMetadata(信息)	将自定义元数据添加到输出。	infos ( dict ) – 一个 Python 字典，其中每个键都是一个字段，每个值都是您的新元数据。
addPage(页面)	向此 PDF 文件添加页面。该页面通常是从PdfFileReader实例中获取的 。	page ( PageObject ) – 要添加到文档的页面。应该是一个实例PageObject
appendPagesFromReader(读者, after_page_append=None )	将页面从读者复制到作者。包括一个可选的回调参数，在将页面附加到编写器后调用该参数。	reader – 一个 PdfFileReader 对象，从中复制页面注释到这个 writer 对象。
cloneDocumentFromReader(读者, after_page_append=None )	从 PDF 文件阅读器创建文档的副本（克隆）	阅读器- 应从中创建克隆的 PDF 文件阅读器实例。
cloneReaderDocumentRoot(读者)	将读取器文档根目录复制到写入器。	reader – 应复制文档根目录中的 PdfFileReader。
encrypt( user_pwd , owner_pwd=None ,  use_128bit=True )	使用 PDF 标准加密处理程序加密此 PDF 文件。	user_pwd ( str ) – “用户密码”，允许在提供的限制下打开和阅读 PDF 文件。 owner_pwd ( str ) – “所有者密码”，允许在没有任何限制的情况下打开 PDF 文件。默认情况下，所有者密码与用户密码相同。 use_128bit ( bool ) – 是否使用 128 位加密的标志。当为 false 时，将使用 40 位加密。默认情况下，此标志处于打开状态。
getNumPages( )			页数。	整数
getPage( pageNumber )	从此 PDF 文件中按编号检索页面。	pageNumber ( int ) – 要检索的页码（页面从零开始）	pageNumber给出的索引处的页面	PageObject
getPageLayout( )	获取页面布局。有关setPageLayout()有效布局的说明，请参见。		当前使用的页面布局。	str, None 如果未指定
getPageMode( )	获取页面模式。有关setPageMode()有效模式的说明，请参见。		当前使用的页面模式。	str, None 如果未指定
insertBlankPage( width=None ,  height=None , index=0 )	在此 PDF 文件中插入一个空白页并将其返回。如果未指定页面大小，则使用最后一页的大小。	width ( float ) – 以默认用户空间单位表示的新页面的宽度。 height ( float ) – 以默认用户空间单位表示的新页面的高度。 index ( int ) – 添加页面的位置。	新添加的页面	PageObject
insertPage(页,索引=0 )	在此 PDF 文件中插入页面。该页面通常是从PdfFileReader实例中获取的 。	page ( PageObject ) – 要添加到文档的页面。这个参数应该是 的一个实例PageObject。 index ( int ) – 页面将被插入的位置。
removeImages( ignoreByteStringObject=False )	从此输出中删除图像。	ignoreByteStringObject ( bool ) – 忽略 ByteString 对象的可选参数。
removeLinks( )	从此输出中删除链接和注释。
removeText( ignoreByteStringObject=False )	从此输出中删除图像。	ignoreByteStringObject ( bool ) – 忽略 ByteString 对象的可选参数。
setPageLayout(布局)	设置页面布局	layout ( str ) – 要使用的页面布局
setPageMode(模式)	设置页面模式。	mode ( str ) – 要使用的页面模式。
updatePageFormFieldValues（页面，字段）	从字段字典更新给定页面的表单字段值。将字段文本和值从字段复制到页面。	page – PDF writer 的页面参考，其中注释和字段数据将被更新。 fields – 字段名称 (/T) 和文本值 (/V) 的 Python 字典
write(流)	将添加到此对象的页面集合作为 PDF 文件写出。	stream -- 要写入文件的对象。该对象必须支持 write 方法和 tell 方法，类似于文件对象。

以上介绍了PyPDF2的四个主要类以及其中的方法名和具体用法。

三、代码演示---将pdf分割成自己想要的pdf

1.思路

现在网上的学习资料非常多，pdf也是如此，很多pdf都是书籍，一份pdf可能有上百页甚至上千页，这使得我们查具体资料的时候非常困难。

例：你现在有一本关于爬虫的书，有430页，当然，你基础知识是有的，只是你在写爬虫时经常忘记html解析的具体写法，如正则表达式、xpath语法的使用，这时如果你翻pdf，会发现步骤非常繁琐，首先你要找目录，根据目录来找到html解析的具体页数，最终通过滑动找到相应内容。而且如果你接着阅读pdf，等到下次要用到正则表达式、xpath语法时，你又得重新以上步骤，导致过程十分繁琐。

 

这时，你就可以运用以上知识，写一个代码，将你所需要的pdf从原pdf中"抠"出来。

2.代码与结果展示

看到这记得查看一下上面标红（平时用到比较多）的方法哦！！

from PyPDF2 import PdfFileReader, PdfFileWriter
def splitPDF():
    # C:\Users\knighthood\OneDrive\桌面\python合集\Python爬虫开发与项目实战.pdf
    readFile = input('请输入原PDF的所在位置与名称：')
    # .\copy.pdf 该格式使得pdf在当前目录下
    outFile = input('请输入你要将生成的PDF保存的位置与名称：')
    # 调用PdfFileWriter()类
    pdfFileWriter = PdfFileWriter()

    # 获取PdfFileReader 对象
    pdfFileReader = PdfFileReader(readFile)
    # 文档总页数
    numPages = pdfFileReader.getNumPages()
    print("原文档有{}页".format(numPages))

    a = int(input('从哪一页开始：'))
    b = int(input('到哪一页结束：'))
    c = b-a+1
    # 显示新文档有几页
    print("新文档共有{}页".format(c))
    for i in range(a-1, b):
        page = pdfFileReader.getPage(i)
        pdfFileWriter.addPage(page)

    # 添加完每页，然后一起保存在outFile中
    with open(outFile, 'wb') as f:
        pdfFileWriter.write(f)
splitPDF()

分析：该代码主要使用PdfFileReader, PdfFileWriter这两类，一个读取，一下写入。首先定义一个函数，在函数中读取pdf，将读取的pdf存到新的pdf中。

运行程序时，首先你要输入原pdf和新生成的pdf的路径与名称（要带后缀），接下来你要输入pdf截取的页数开头和结尾，你可以在wps中查看。如下：

运行结果如下：

 

只不过有时候你截的pdf开头或者结尾会有不是相关内容的出现，如下：

 

 但是这还是可以接受的，毕竟下一次阅读相关文档方便多了。

3.总结

使用该代码可以大幅度提高你查阅相关资料的速度，非常适用于对于我这样的懒人（记不住还不拿笔记在本子上）。

这篇万字文章就此完结，如果觉得写的不错的，希望点赞，这会是我接下来创作的动力！！