【python自动化办公】Python自动化之pdf——PyPDF2、pdfplumber、fitz、pdf2image库介绍

最新推荐文章于 2024-06-20 10:09:25 发布
最新推荐文章于 2024-06-20 10:09:25 发布
阅读量5.4k 收藏 85
点赞数 7
文章标签： python 自动化 爬虫
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_58480859/article/details/125844218
版权

目录

前言

1. 学习python自动化办公目的

  • 学会使用python自动化处理文件，减少重复劳动
  • 科学管理文件
  • 能够不再使用别的软件合并、分割PDF等

2. 未来持续打卡内容

  • Task03 Python与word和PDF
  • Task04 简单的Python爬虫
  • Task05 Python操作钉钉自动化
  • Task06 其它推荐软件和网页

3. 资料来源与思维导图

本文不详细介绍函数，简单介绍方法，函数可自行百度，也可看课程GitHub链接：https://github.com/datawhalechina/office-automation。

对pdf文件的处理对大多数人来说是一件很头疼的事：明明应该是简单的合并、分割、提取，很多插件做的花里胡哨还要付费。不过，python中提供了很多处理PDF文件的库，优雅是在优雅！以下简单介绍这些库以及基本的使用，绝对能满足大多数场景的需要！

一、PDF处理库

1、PyPDF2——基础操作

官方文档：https://pypi.org/project/PyPDF2/

PyPDF2是作为PDF工具包构建的python库，它能够:

2、pdfplumber——表格抽取

官方文档：https://pypi.org/project/pdfplumber/
pdfplumber是一款用python开发的pdf解析库，pdfplumber不仅可以解析提取pdf文件中的文本，还可以提取表格。

3、fitz——图片提取

官方文档：https://pypi.org/project/fitz/

安装fitz（需要依赖PyMuPDF）

pip install fitz PyMuPDF

跑题介绍一下PyMuPDF：
PyMuPDF是MuPDF的Python接口形式，MuPDF 是一个轻量级的 PDF、XPS和电子书查看器、渲染器、工具包。MuPDF有以下优点：

  • 高的性能与运行速度
  • 高质量的渲染
  • 多种可访问的文件：访问具有“ .pdf”，“ .xps”，“ .oxps”，“ .cbz”，“ .fb2”或“ .epub”之类的扩展名的文件。此外，也可以像文档一样打开和处理大约10种流行的图像格式。
    感觉是一个很漂亮的库： https://pymupdf.readthedocs.io/en/latest/intro.html

PyMuPDF的顶级Python导入名称是“ Fitz”。这有历史原因：
MUPDF的原始渲染库称为Libart。
“在Artifex Software收购了MUPDF项目之后，开发重点转移到编写新的现代图形库“ Fitz”上。Fitz最初是为了取代老化的Ghostscript图形库的研发项目，而是成为启动MUPDF的渲染引擎。”（引用Wikipedia）。
因此，pymupdf不能与在同一python环境中名为“ fitz”的软件包共存。

4、pdf2image ——将PDF转为图片

官方文档：https://pypi.org/project/pdf2image/

二、PyPDF2操作

1、批量拆分

import os
from PyPDF2 import PdfFileWriter, PdfFileReader

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()
    for page in range(0, pages, step):
        pdf_writer = PdfFileWriter()
        # 拆分pdf，每 step 页的拆分为一个文件
        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，保存路径为："+save_dirpath)
    
filename = '易方达中小盘混合型证券投资基金2020年中期报告.pdf'
filepath = os.path.join(os.getcwd(), filename)
save_dirpath = os.path.join(os.getcwd(), '易方达中小盘混合型证券投资基金2020年中期报告【拆分】')
split_pdf(filename, filepath, save_dirpath, step=5)

2、批量合并

import os
from PyPDF2 import PdfFileReader, PdfFileWriter

def concat_pdf(filename, read_dirpath, save_filepath):
    """
    合并多个PDF文件
    @param filename:文件名
    @param read_dirpath:要合并的PDF目录
    @param save_filepath:合并后的PDF文件路径
    @return:
    """
    pdf_writer = PdfFileWriter()
    # 对文件名进行排序
    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)
        # 读取文件并获取文件的页数
        pdf_reader = PdfFileReader(filepath)
        pages = pdf_reader.getNumPages()
        # 逐页添加
        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，保存路径为："+save_filepath)

filename = '易方达中小盘混合型证券投资基金2020年中期报告.pdf'
read_dirpath = os.path.join(os.getcwd(), '易方达中小盘混合型证券投资基金2020年中期报告【拆分】')
save_filepath = os.path.join(os.getcwd(), '易方达中小盘混合型证券投资基金2020年中期报告-合并后.pdf')
concat_pdf(filename, read_dirpath, save_filepath)

3、添加水印

import os
from copy import copy
from PyPDF2 import PdfFileReader, PdfFileWriter

def add_watermark(filepath, save_filepath, watermark_filepath):
    """
    添加水印
    @param filepath:PDF文件路径
    @param save_filepath:最终的文件保存路径
    @param watermark_filepath:水印PDF文件路径
    @return:
    """
    """读取PDF水印文件"""
    # 可以先生成一个空白A4大小的png图片，通过 https://mp.weixin.qq.com/s/_oJA6lbsdMlRRsBf6DPxsg 教程的方式给图片加水印，将图片插入到word中并最终生成一个水印PDF文档
    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)
        # 封面页不添加水印
        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)

filename = '易方达中小盘混合型证券投资基金2020年中期报告.pdf'
filepath = os.path.join(os.getcwd(), filename)
save_filepath = os.path.join(os.getcwd(), '易方达中小盘混合型证券投资基金2020年中期报告-水印.pdf')
watermark_filepath = os.path.join(os.getcwd(), 'watermark.pdf')
# 添加水印
add_watermark(filepath, save_filepath, watermark_filepath)

4、文档加密与解密

加密文档

使用PdfFileWriter().encrypt(passwd)对页面进行加密

import os
from PyPDF2 import PdfFileReader, PdfFileWriter

def encrypt_pdf(filepath, save_filepath, passwd='xiaoyi'):
    """
    PDF文档加密
    @param filepath:PDF文件路径
    @param save_filepath:加密后的文件保存路径
    @param passwd:密码
    @return:
    """
    pdf_reader = PdfFileReader(filepath)
    pdf_writer = PdfFileWriter()

    for page_index in range(pdf_reader.getNumPages()):
        pdf_writer.addPage(pdf_reader.getPage(page_index))

    # 添加密码
    pdf_writer.encrypt(passwd)
    with open(save_filepath, "wb") as out:
        pdf_writer.write(out)

filename = '易方达中小盘混合型证券投资基金2020年中期报告.pdf'
filepath = os.path.join(os.getcwd(), filename)
save_filepath = os.path.join(os.getcwd(), '易方达中小盘混合型证券投资基金2020年中期报告-加密后.pdf')
# 文档加密
encrypt_pdf(filepath, save_filepath, passwd='xiaoyi')

解密文档

使用PdfFileWriter().decrypt(passwd)对页面进行加密

def decrypt_pdf(filepath, save_filepath, passwd='xiaoyi'):
    """
    解密 PDF 文档并且保存为未加密的 PDF
    @param filepath:PDF文件路径
    @param save_filepath:解密后的文件保存路径
    @param passwd:密码
    @return:
    """
    pdf_reader = PdfFileReader(filepath)
    # PDF文档解密
    pdf_reader.decrypt('xiaoyi')

    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)

filename = '易方达中小盘混合型证券投资基金2020年中期报告-加密后.pdf'
filepath = os.path.join(os.getcwd(), filename)
save_filepath = os.path.join(os.getcwd(), '易方达中小盘混合型证券投资基金2020年中期报告-解密后.pdf')
# 文档解密
decrypt_pdf(filepath, save_filepath, passwd='xiaoyi')
页面旋转

5、页面旋转

使用rotateClockwise可以实现对页面的旋转。

import PyPDF2

filename = '易方达中小盘混合型证券投资基金2020年中期报告.pdf'
filepath = os.path.join(os.getcwd(), filename)
save_filepath = os.path.join(os.getcwd(), '易方达中小盘混合型证券投资基金2020年中期报告-旋转.pdf')
pdf_reader = PdfFileReader(filepath)
page = pdf_reader.getPage(0)
page.rotateClockwise(90)
pdf_writer = PdfFileWriter()
pdf_writer.addPage(page)
with open(save_filepath, "wb") as out:
        pdf_writer.write(out)

三、pdfplumber库

1、提取文字内容

extract_text() 可以提取文字内容：

import os
import pdfplumber

def extract_text_info(filepath):
    """
    提取PDF中的文字
    @param filepath:文件路径
    @return:
    """
    with pdfplumber.open(filepath) as pdf:
        # 获取第2页数据
        page = pdf.pages[1]
        print(page.extract_text())
        
filename = '易方达中小盘混合型证券投资基金2020年中期报告.pdf'
filepath = os.path.join(os.getcwd(), filename)
# 提取文字内容
extract_text_info(filepath)

2、提取表格内容

extract_table()可以提取表格内容

import os
import pandas as pd
import pdfplumber

def extract_table_info(filepath):
    """
    提取PDF中的图表数据
    @param filepath:
    @return:
    """
    with pdfplumber.open(filepath) as pdf:
        # 获取第18页数据
        page = pdf.pages[17]
        # 如果一页有一个表格，设置表格的第一行为表头，其余为数据
        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')
        
filename = '易方达中小盘混合型证券投资基金2020年中期报告.pdf'
filepath = os.path.join(os.getcwd(), filename)
# 提取表格内容
extract_table_info(filepath)

四、fitz库

1、提取pdf中的图片

fitz使用正则表达式来查找图片

import os
import re
import fitz

def extract_pic_info(filepath, pic_dirpath):
    """
    提取PDF中的图片
    @param filepath:pdf文件路径
    @param pic_dirpath:要保存的图片目录路径
    @return:
    """
    if not os.path.exists(pic_dirpath):
        os.makedirs(pic_dirpath)
    # 使用正则表达式来查找图片
    check_XObject = r"/Type(?= */XObject)"
    check_Image = r"/Subtype(?= */Image)"
    img_count = 0

    """1. 打开pdf，打印相关信息"""
    pdf_info = fitz.open(filepath)
    # 1.16.8版本用法 xref_len = doc._getXrefLength()
    # 最新版本
    xref_len = pdf_info.xref_length()
    # 打印PDF的信息
    print("文件名：{}, 页数: {}, 对象: {}".format(filepath, len(pdf_info), xref_len-1))

    """2. 遍历PDF中的对象，遇到是图像才进行下一步，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)
        # 如果不是对象也不是图片，则不操作
        if is_XObject or is_Image:
            img_count += 1
            # 根据索引生成图像
            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，简单的色素块该值较低，可以通过设置一个阈值过滤。以阈值 10000 为例过滤"""
            # if pix.size < 10000:
            #     continue

            """三、 将图像存为png格式"""
            if pix.n >= 5:
                # 先转换CMYK
                pix = fitz.Pixmap(fitz.csRGB, pix)
            # 存为PNG
            pix.writePNG(pic_filepath)
            
filename = '易方达中小盘混合型证券投资基金2020年中期报告.pdf'
filepath = os.path.join(os.getcwd(), filename)
pic_dirpath = os.path.join(os.getcwd(), '易方达中小盘混合型证券投资基金2020年中期报告【文中图片】')
# 提取图片内容
extract_pic_info(filepath, pic_dirpath)

五、pdf2image 库

1、将pdf转换为图片

import os
from pdf2image import convert_from_path, convert_from_bytes

def convert_to_pic(filepath, pic_dirpath):
    """
    每一页的PDF转换成图片
    @param filepath:pdf文件路径
    @param pic_dirpath:图片目录路径
    @return:
    """
    print(filepath)
    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:
        # 保存图片
        pic_filepath = os.path.join(pic_dirpath, 'img_'+str(images.index(image))+'.png')
        image.save(pic_filepath, 'PNG')
        
# PDF转换为图片
convert_to_pic(filepath, pic_dirpath)


filename = '易方达中小盘混合型证券投资基金2020年中期报告.pdf'
filepath = os.path.join(os.getcwd(), filename)
pic_dirpath = os.path.join(os.getcwd(), '易方达中小盘混合型证券投资基金2020年中期报告【转换为图片】')
# PDF转换为图片
convert_to_pic(filepath, pic_dirpath)
一只幸运妮
关注
  • 7
    点赞
  • 踩
  • 85
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
PyPDF2详解教程、依赖库安装、导入及主要功能函数介绍
布啦啦
08-02 7456
PyPDF2 是一个用于处理 PDF 文件的 Python 库。它可以用于读取、编辑、合并和拆分 PDF 文档，还可以提取文本、图像和其他内容。功能丰富：PyPDF2 提供了许多功能来操作 PDF 文件。你可以使用它来读取 PDF 文档的内容、页面和元数据，也可以创建新的 PDF文件，合并多个 PDF 文件，拆分 PDF 文件为单独的页面，添加页面和水印等。纯Python实现：PyPDF2 是一个纯 Python 实现的库，这使得它易于安装和使用，而且可以在各种平台上运行。
PyPI 官网下载 | PyPDF2-1.24.tar.gz
01-15
资源来自pypi官网。 资源全名：PyPDF2-1.24.tar.gz
day10 Python操作pdf文件
qq_59492084的博客
11-25 672
操作PDF文件
Python编辑pdf文件——PyPDF2
最新发布
sonnet00的博客
06-20 148
PyPDF2最主要的函数是读文件（PdfReader）和写文件（PdfWriter）。读取文件后，可通过pages函数读取文件页数，通过add_page函数把页面加到文件中。此外还有页面旋转（rotate）和本文提取（extract_text）等功能。PyPDF2库可有效对pdf进行页面编辑，网上搜到的大多是PyPDF库的使用方法，而两者语法又有较大的区别，相对来说PyPDF2简单易用，这里介绍其基础使用方法，可满足大多数的应用。
Python库——PyPDF2介绍
GMSJSHX的博客
10-19 4291
Python的PyPDF2库介绍
python 使用 pdf2image 库将PDF转换为图片
二等碗
08-18 3115
在数字化时代，PDF（Portable Document Format）文件成为了一种常见的文件格式，但有时我们需要将PDF文件转换成图片以便于在网页、演示文稿或其他应用中使用。本文将介绍如何使用Python的pdf2image库来将PDF文件转换为图片。
PDF2Image：高效转换PDF至图像的Python库
gitblog_00075的博客
03-25 898
PDF2Image：高效转换PDF至图像的Python库 项目地址:https://gitcode.com/Belval/pdf2image 项目简介 在数字时代，我们经常需要处理PDF文档与图像之间的转换。PDF2Image是一个出色的Python库，它提供了简单易用的接口，能够快速将PDF文件转换为各种常见的图像格式，如JPEG、PNG等。这个项目的目的是简化开发者的任务，使得在处理大量PDF...
Python批量自动化提取pdf中的嵌入式图片
04-06
这个代码实现了一个功能强大的 PDF 图像提取工具，依赖于 fitz (PyMuPDF) 和 cv2 (OpenCV) 库，专门设计用来批量处理和提取PDF文件中的图片。它能够批量处理各种各样PDF 文件（两列式、单列式、图片式）中的嵌入式...
python办公自动化之pdf文件批量转图片导入word
01-19
在本文中，我们将探讨如何使用Python进行办公自动化，特别是如何将PDF文件批量转换为图片，并将这些图片导入Word文档。这个过程涉及到多个Python库，包括fitz、os、shutil、tkinter、docx和win32com.client。 首先...
Python使用到第三方库PyMuPDF图片与pdf相互转换
09-19
在Python编程环境中，有时我们需要处理图像和PDF文件的相互转换，这时可以借助第三方库来实现。本文主要介绍如何使用PyMuPDF库进行图片与PDF之间的转换。 首先，我们需要了解PyMuPDF库。PyMuPDF是Python的一个接口...
图片拼接转PDF.py
08-18
主要完成大量图片的裁剪、拼接以及向 PDF 的转换。
pdf-viewer:纯Python PDFViewer，其功能与其他著名的PDFViewer相同
05-08
Pure Python PDFViewer ，几乎提供了PDF阅读器所需的所有功能。 以下是此应用程序的一些主要功能 搜索PDF文档 目录 做笔记并自动保存 夜间模式，呵护双眼 缩放功能 用纯python（python-3.7.4）开发 为什么要麻烦创建...
PyPDF2：Python里的PDF忍者
林木无可栖的博客
02-20 1611
本文将为大家介绍Python实用三方模块PyPDF2的常用的功能
三种方法，Python轻松提取PDF中全部图片
weixin_46737755的博客
01-24 3658
有时我们需要将一份或者多份PDF文件中的图片提取出来，如果采取在线的网站实现的话又担心图片泄漏，手动操作又觉得麻烦，其实用Python也可以轻松搞定！ 今天就跟大家系统分享几种Python提取 PDF 图片的方法。其实没有非常完美的方法，每种方法提取效率都不是百分之百，因此可以考虑用多种方法进行互补，主要将涉及： 基于fitz库和正则搜索提取图片 基于pdf2image库的两种方法提取图片 基于fitz库和正则搜索 fitz是pymupdf的子模块，需要先用命令行安...
PyPDF2：使用Python操作PDF文件
诸神缄默不语的博客
05-29 5742
PDF是文档常用格式，使用Python包PyPDF2可以对PDF文档实现批量、迅速的操作，包括提取文字、切分或合并PDF文件、创建annotation、加密和解密等。本文将介绍PyPDF2包的安装及简单使用方式。
PyPDF2的综合使用
m0_45252287的博客
11-25 2129
PyPDF2
python pdf2image库使用
wx479的博客
05-30 1532
Windows：需要下载poppler ，第一步安装pdf2image。
【pypdf2】合并PDF、旋转、缩放、裁剪、加密解密、添加水印
冰冷的希望的博客
07-13 5094
比如说A4纸的大小是210毫米x297毫米，换成磅则是210 / (1 / 72 * 25.4) 约等于595.27磅，297 / (1 / 72 * 25.4) 约等于841.89磅。PageObject对象有一个rotate()方法对自身进行旋转，但是旋转角度取值是0、90、270、180等，即90的倍数，正数是顺时针，负数是逆时针。如果你需要合并某些文档的某些页面，可以通过merge()方法，主要指定位置、合并的文档、文档范围三个参数，即指定从哪个文档插入哪些页面到哪个位置。
Py之PyPDF2：PyPDF2的简介、安装、使用方法之详细攻略
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
11-23 4293
​ Py之PyPDF2：PyPDF2的简介、安装、使用方法之详细攻略 目录 PyPDF2的简介 PyPDF2的安装 PyPDF2的使用方法 PyPDF2的简介 PyPDF2是一个免费的、开源的纯python PDF库，能够拆分、合并、裁剪和转换PDF文件的页面。它还可以为PDF文件添加自定义数据、查看选项和密码。PyPDF2也可以从pdf中检索文本和元数据。 注意:PyPDF2项目将回到它的根。PyPDF2 = = 3.0。X将是PyPDF2的最后一个版本。开发将继续使用pypdf==3.1.
python 将pdf转图像，不使用pdf2image
07-14
如果你不想使用 `pdf2image` 库，你可以考虑使用 `PyMuPDF` 库来将 PDF 转换为图像。下面是一个示例代码： ```python import fitz def pdf_to_images(pdf_path, output_dir): doc = fitz.open(pdf_path) for i in range(doc.page_count): page = doc.load_page(i) pix = page.get_pixmap() pix.save(f"{output_dir}/page_{i+1}.png", "PNG") pdf_to_images("example.pdf", "output") ``` 这段代码使用了 `PyMuPDF` 库的 `fitz` 模块来处理 PDF 文件。它打开 PDF 文件，然后遍历每一页并将其转换为图像。每个图像都保存为 `output` 目录下的相应文件。请确保你已经安装了 `PyMuPDF` 库。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值