python提取PDF文档文字/转图片/分割、合并PDF文档

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。