一、PDF提取文字/转图片
提取文字和转图片使用的是fitz模块,模块安装:
pip install PyMuPDF
提取文字
import fitz
pdf = fitz.open('xxxx.pdf') # xxxx.pdf是pdf文件名或路径
pages = pdf.page_count # 获取pdf页数
page = pdf[n] # 获取pdf第n页,n为页码,从0开始
x = page.rect[2] # 获取页宽
y = page.rect[3] # 获取页高
content = page.get_text() # 提取这一整页的文字
# 获取指定区域文字
content = page.get_text(clip=(x1, y1, x2, y2)) # x1为指定区域左上角x坐标,y1区域左上角y坐标,x2为区域右下角x坐标,y2区域右下角y坐标
转图片
import fitz
pdf = fitz.open('xxxx.pdf') # xxxx.pdf是pdf文件名或路径
page = pdf[n] # 获取pdf第n页,n为页码,从0开始
z_x = 3 # 宽度放大比例
z_y = 3 # 高度放大比例
mat = fitz.Matrix(z_x, z_y)
pix = page.get_pixmap(matrix=mat)
pix.save('xxxx.png') # 保存图片为xxxx.png
二、分割、合并PDF文档
2.1 使用PyPDF2模块
模块安装:
pip install PyPDF2
分割、合并PDF
import PyPDF2
pdf = PyPDF2.PdfReader('xxxx.pdf') # 打开名为xxxx.pdf的PDF文档
pages = pdf.pages # PDF总页数
writer = PyPDF2.PdfWriter() # 创建新的PDF变量
writer.add_page(pdf.pages[0]) # 将第1页分割到新的PDF
writer.add_page(pdf.pages[1]) # 将第2页分割到新的PDF
with open('xxxx2.pdf', 'wb') as output_pdf: # 将分割出来的页保存为新的PDF文件xxxx2.pdf
writer.write(output_pdf)
writer2 = PyPDF2.PdfWriter() # 创建新的PDF变量
writer2.add_page(pdf.pages[2]) # 将第3页分割到新的PDF
writer2.add_page(pdf.pages[99]) # 将第100页分割到新的PDF
with open('xxxx3.pdf', 'wb') as output_pdf: # 将分割出来的页保存为新的PDF文件xxxx3.pdf
writer2.write(output_pdf)
2.2 使用fitz模块
模块安装:
pip install PyMuPDF
示例:
import fitz
writer = fitz.open() # 创建一个空白pdf
# 打开1.pdf,并写入新创建的pdf中
pdf = fitz.open('1.pdf')
writer.insert_pdf(pdf, start_at=writer.page_count)
pdf.close()
# 打开2.pdf,并将第1-3页写入新创建的pdf中(页码从0起算)
pdf = fitz.open('2.pdf')
writer.insert_pdf(pdf, start_at=writer.page_count, from_page=1, to_page=3)
pdf.close()
# 打开3.pdf,并写入新创建的pdf中
pdf = fitz.open('3.pdf')
writer.insert_pdf(pdf, start_at=writer.page_count)
pdf.close()
writer.save('xxxx.pdf') # 保存为xxxx.pdf
writer.close()
分割跟合并PDF的原理是一样的,前者是打开一个PDF文档,创建并保存为多个PDF文档;后者是打开多个PDF文档,创建并保存为一个PDF文档。
使用PyPDF2模块合并pdf文件时常常遇到乱码问题,因此本人更推荐使用fitz模块。