文章目录
1. python常用pdf库
| 名称 | 特点 |
|---|---|
| PyPDF2 | 已不再维护，继任者PyPDF4 ,但很长时间没有更新了,能读不能写 |
| pdfrw | 能读不能写，但可以兼容ReportLab写 |
| ReportLab | 商业版的开源版本，能写不能读 |
| pikepdf | 能读不能写 |
| pdfplumber | 能读不能写 |
| PyMuPDF | 读写均可,基于GPL协议 |
| borb | 纯Python库，支持读、写,基于GPL协议 |
其中前几种偏重于读或者写，PyMuPDF和borb读写兼具，但这两个库都基于GPL开源协议，对于商业开发不太友好。
介绍之前，我们通过读取一个已有的PDF中的文字来测试下时提取内容的准确度，pdfrw暂时跳过，因为没有找到其提取文本的api。ReportLab不能读，跳过。
2.读取测试
准备的测试的PDF，截图展示的是第5页内容：
2.1 PyPDF2 示例及结果
#!/usr/bin/python
from PyPDF2 import PdfReader
pdf = PdfReader("yz.pdf")
page = pdf.pages[4]
print(page.extract_text())
内容被正确读取，但是格式变为每行一个字。
2.2 PyPDF4 示例及结果
from PyPDF4 import PdfFileReader
pdf = open('yz.pdf','rb')
reader = PdfFileReader(pdf)
page = reader.getPage(4)
print(page.extractText().strip())
PyPDF4 输出的是内容流,暂无法解析为文本.
2.3 pikepdf
pikepdf 的官方文档上有这么一段话：
If you guessed that the content streams were the place to look for text inside a PDF – you’d be correct.
Unfortunately, extracting the text is fairly difficult because content stream actually specifies as a font
and glyph numbers to use. Sometimes, there is a 1:1 transparent mapping between Unicode numbers and
glyph numbers, and dump of the content stream will show the text. In general, you cannot rely on there
being a transparent mapping; in fact, it is perfectly legal for a font to specify no Unicode mapping
at all, or to use an unconventional mapping (when a PDF contains a subsetted font for example).
We strongly recommend against trying to scrape text from the content stream.
pikepdf does not currently implement text extraction. We recommend pdfminer.six, a read-only
text extraction tool. If you wish to write PDFs containing text, consider reportlab.
如果您猜测内容流是在PDF中查找文本的地方，那么您是正确的。不幸的是，提取文本相当困难，因为内容流实际上指定了要使用的字体和字形
数字。有时，Unicode数字和字形数字之间有1:1的透明映射，内容流的转储将显示文本。一般来说，你不能依赖于一个透明的映射;事实上，
字体完全可以不指定Unicode映射，或者使用非常规的映射(例如，当PDF包含一个子集字体时)。
我们强烈建议不要尝试从内容流中抓取文本。
Pikepdf目前不实现文本提取。我们推荐pdfminer。一个只读文本提取工具。如果您希望编写包含文本的pdf，请考虑reportlab。
2.4 pdfplumber 示例和结果
import pdfplumber
with pdfplumber.open("yz.pdf") as pdf:
page = pdf.pages[4]
chars = page.chars
content = ''
for char in chars:
content += char['text']
print(content)
pdfplumber是按字符读取，上面的示例代码中是对字符进行了拼接。结果如下：
2.5 PyMuPDF 示例及结果
import fitz
doc = fitz.open("yz.pdf")
page = doc.load_page(4)
text = page.get_text("text")
print(text)
这是目前提取文本结果最完美的一个:
$ python e6.py
1897年，在这里，什么都没有发生。
——科罗拉多州伍迪克里克小旅馆墙壁上的牌匾
2.6 borb示例及结果
以下示例代码为官方示例代码:
import typing
from borb.pdf import Document
from borb.pdf import PDF
from borb.toolkit import SimpleTextExtraction
def main():
# read the Document
doc: typing.Optional[Document] = None
l: SimpleTextExtraction = SimpleTextExtraction()
with open("yz.pdf", "rb") as in_file_handle:
doc = PDF.loads(in_file_handle, [l])
# check whether we have read a Document
assert doc is not None
# print the text on the first Page
print(l.get_text()[4])
if __name__ == "__main__":
main()
# 处理字体时报错
File "/home/eva/.local/lib/python3.11/site-packages/borb/pdf/canvas/font/composite_font/font_type_0.py",
line 86, in character_identifier_to_unicode
assert encoding_name in ["Identity", "Identity-H"]
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
AssertionError
鉴于以上测试结果,接下来的演示中将使用pdfplumber + Reportlab 来进行.
3. 读取PDF
3.1 读取PDF元数据信息
示例代码很简单，不再解释，直接看代码：
import pdfplumber
with pdfplumber.open("yz.pdf") as pdf:
print(pdf.metadata)
#返回结果是一个字典，看key就知道是什么属性了。不再解释。
{'ModDate': "D:20220602170530+08'00'", 'Producer': 'calibre 3.23.0 [https://calibre-ebook.com]', 'Title': '无中生有的宇宙',
'Author': '［加］劳伦斯·克劳斯;王岚译', 'Creator': 'calibre 3.23.0 [https://calibre-ebook.com]',
'CreationDate': "D:20220505133234+00'00'"}
3.2 获取PDF页信息
示例代码如下：
import pdfplumber
with pdfplumber.open("yz.pdf") as pdf:
#返回所有页实例
#这里就不再输出所有的页实例，因为这篇文档有155页，输出结果比较长。
pages = pdf.pages
#这里还以第五页为例
page = pages[4]
print("页码："+str(page.page_number))
print("页宽："+str(page.width))
print("页高："+str(page.height))
#print("页面包含对象：")
#print(page.objects)
#print("页面包含字符：")
#print(page.chars)
print("页面包含线条：")
print(page.lines)
print("页面包含矩形：")
print(page.rects)
print("页面包含曲线：")
print(page.curves)
page1 = pages[34]
print("页面包含图像：")
print(page1.images)
page.flush_cache()
page1.flush_cache()
示例运行结果
页码：5
页宽：612
页高：792
页面包含对象：
{'char': [{'matrix': (0.75, 0.0, 0.0, 0.75, 102.0, 691.5), 'fontname': 'AAAAAB+LiberationSerif', 'adv': 10.0,
'upright': True, 'x0': 102.0, 'y0': 688.26, 'x1':.... #省略部分
页面包含字符：
[{'matrix': (0.75, 0.0, 0.0, 0.75, 102.0, 691.5), 'fontname': 'AAAAAB+LiberationSerif', 'adv': 10.0, 'upright': True, '
x0': 102.0, 'y0': 688.26, 'x1': 109..... #省略
页面包含线条：
[]
页面包含矩形：
[]
页面包含曲线：
[]
页面包含图像：
[{'x0': 72.0, 'y0': 81.75, 'x1': 540.0, 'y1': 720.0, 'width': 468.0, 'height': 638.25, 'name': 'Image0',
'stream': <PDFStream(96): raw=289354, {'ColorSpace': /'DeviceRGB', 'Width': 2044, 'BitsPerComponent': 8, 'Length': 289354,
'Height': 2789, 'DL': 289354, 'Filter': [/'DCTDecode'], 'Type': /'XObject', 'Subtype': /'Image'}>, 'srcsize': (2044, 2789),
'imagemask': None, 'bits': 8, 'colorspace': [/'DeviceRGB'], 'object_type': 'image', 'page_number': 35, 'top': 72.0,
'bottom': 710.25, 'doctop': 27000.0}]
其中char对象的属性如下：
| 属性 | 说明 |
|---|---|
| page_number | 找到此字符的页码。 |
| text | 文本内容 例: “z”, 或 “Z” 或 " ". |
| fontname | 字体 |
| size | 字号 |
| adv | 等于文本宽度字体大小比例因子。 |
| upright | 是否垂直 |
| height | 文本高度 |
| width | 文本高度 |
| x0 | 其左侧与页面左侧的距离。 |
| x1 | 其右侧与页面左侧的距离。 |
| y0 | 其下侧与页面底部的距离。 |
| y1 | 其上侧与页面底部的距离。 |
| top | 其上侧与页面顶部的距离。 |
| bottom | 其下侧与页面顶部的距离。 |
| doctop | 其顶部与文档顶部的距离。 |
| matrix | 其“变换矩阵”。（详见下文） |
| stroking_color | 笔划的颜色，表示为元组或整数，具体取决于使用的“颜色空间”。 |
| non_stroking_color | 字体填充颜色 |
| object_type | 对象类型:“char” |
line对象属性
| 属性 | 说明 |
|---|---|
| page_number | 其所在的页码 |
| height | 高度 |
| width | 宽度 |
| x0 | 其左侧与页面左侧的距离。 |
| x1 | 其右侧与页面左侧的距离。 |
| y0 | 其下侧与页面底部的距离。 |
| y1 | 其上侧与页面底部的距离。 |
| top | 其上侧与页面顶部的距离。 |
| bottom | 其下侧与页面顶部的距离。 |
| doctop | 其顶部与文档顶部的距离。 |
| linewidth | 线粗 |
| stroking_color | 线条颜色,表示为元组或整数，具体取决于使用的“颜色空间” |
| non_stroking_color | 线条填充颜色。 |
| object_type | 对象类型:“line” |
rect属性
| 属性 | 说明 |
|---|---|
| page_number | 其所在的页码 |
| height | 高度 |
| width | 宽度 |
| x0 | 其左侧与页面左侧的距离。 |
| x1 | 其右侧与页面左侧的距离。 |
| y0 | 其下侧与页面底部的距离。 |
| y1 | 其上侧与页面底部的距离。 |
| top | 其上侧与页面顶部的距离。 |
| bottom | 其下侧与页面顶部的距离。 |
| doctop | 其顶部与文档顶部的距离。 |
| linewidth | 线粗 |
| stroking_color | 线条颜色,表示为元组或整数，具体取决于使用的“颜色空间” |
| non_stroking_color | 线条填充颜色。 |
| object_type | 对象类型:“rect” |
curve属性
| 属性 | 说明 |
|---|---|
| page_number | 其所在的页码 |
| points | Points — 描述曲线的点列表包含 (x, top) 元组 |
| height | 曲线边界框的高度。 |
| width | 曲线边界框的宽度。 |
| x0 | 曲线最左侧点与页面左侧的距离。 |
| x1 | 曲线最右侧点与页面左侧的距离。 |
| y0 | 曲线最低点到页面底部的距离。 |
| y1 | 曲线最高点到页面底部的距离。 |
| top | 曲线最高点到页面顶部的距离。 |
| bottom | 曲线最低点到页面底部的距离。 |
| doctop | 曲线最高点到文档顶部的距离。 |
| linewidth | 线粗 |
| fill | 是否填充曲线路径定义的形状. |
| stroking_color | 曲线轮廓的颜色，表示为元组或整数，具体取决于使用的“颜色空间”。 |
| non_stroking_color | 曲线填充颜色 |
| object_type | 对象类型:“curve” |
3.3 提取文本
提取文本上面示例演示过了，主要操作就是获取pages,让后循环获取page上的char对象，char对象的text属性里既是文本内容，在循环里拼接text即可。
3.4 提取图像
这里将本文档35页的图片保存为文件：
import pdfplumber
with pdfplumber.open("yz.pdf") as pdf:
pages = pdf.pages
page = pages[34]
img = page.to_image()
#清除图像
#img.reset()
#拷贝图像
#img.copy()
#调用本机默认图片查看工具预览图像
#img.show()
#保存图像
img.save("/home/eva/下载/test.png",format="PNG")
page.flush_cache()
保存的图像：
如果pdf文档是从被的地方抓取，或者批量处理，不知道页面内容的情况下，则可以先判断页面是否包含图像，下面一个示例展示提取PDF文档内的所有图像：
import pdfplumber
with pdfplumber.open("yz.pdf") as pdf:
#所有页面
pages = pdf.pages
for index,page in enumerate(pages):
#判断页面是否包含图像
if len(page.images) > 0:
img = page.to_image()
img.save("/home/eva/下载/test"+str(index)+".png",format="PNG")
page.flush_cache()
提取结果，部分截图：
这种方式的不足之处在于，只要页面包含图像，哪怕页面同时包含文字和图像，page.to_image()就会将整个页面转换成图像。而不是只保存图像部分。pdfplumber并没有提供可以精确保存图片的方法，如果对图像边界有精确的要求的话，可以对保存下来的图片进行裁剪，比如,pdfplumber返回的图片对象是有定位的，如下所示：x0是图片距离左边的距离。top是图片距离页面顶部，x0,top即组成图片左上角的座标，x1和bottom组成图片左下角的座标。至于y0,y1计算的是距离页面底部的数据，这里用不到。
[{'x0': 212.25, 'y0': 471.0, 'x1': 399.75, 'y1': 720.0, 'width': 187.5, 'height': 249.0,
'name': 'Image0', 'stream': <PDFStream(207): raw=204521, {'ColorSpace': /'DeviceRGB',
'Width': 963, 'BitsPerComponent': 8, 'Length': 204521, 'Height': 1282, 'DL': 204521,
'Filter': [/'DCTDecode'], 'Type': /'XObject', 'Subtype': /'Image'}>, 'srcsize': (963, 1282),
'imagemask': None, 'bits': 8, 'colorspace': [/'DeviceRGB'], 'object_type': 'image',
'page_number': 78, 'top': 72.0, 'bottom': 321.0, 'doctop': 61056.0}]
以下示例代码是截取图片：
import pdfplumber
from PIL import Image
import time
with pdfplumber.open("yz.pdf") as pdf:
#所有页面
pages = pdf.pages
page = pages[77]
img = page.to_image()
img.save("/home/eva/下载/test.png",format="PNG")
#取图像的左上和右下座标
image = page.images[0]
x0 = image['x0']
top = image['top']
x1 = image['x1']
bottom = image['bottom']
page.flush_cache()
#图片裁剪,此处用到的图片库是pillow
#pip install pillow 或 pip3 install pillow安装即可
png = Image.open('/home/eva/下载/test.png')
region = png.crop((x0,top,x1,bottom))
region.save('/home/eva/下载/test1.png')
pdfplumber提取出的图片如下：
裁剪后的图片如下：
3.5 提取表格
之前的示例pdf并不包含表格，也没有找到带表格的pdf.所有创建了一个单页PDF，内容如下：
提取表格的示例：
import pdfplumber
with pdfplumber.open("bg.pdf") as pdf:
#所有页面
pages = pdf.pages
for page in pages:
#获取表格
tables = page.find_tables()
if len(tables) > 0:
#提取表格内容(提取页面所有表格）
content = page.extract_tables()
print(content)
#提取页面最大表格
#content = page.extract_table()
提取结果：
#返回结果是多维数组，结构为 表 -> 行 -> 单元格
[['Test1', 'Test2', 'Test3', 'Test4', 'Test5'], ['aa', 'bb', 'cc', 'dd', 'ee'], ['ff', 'gg', 'Hh', 'Ii', 'gg']]
其中extract_tables()和extract_table()两个方法可以包含参数，用以配置提取属性，可配置的属性如下：
{
"vertical_strategy": "lines",
"horizontal_strategy": "lines",
"explicit_vertical_lines": [],
"explicit_horizontal_lines": [],
"snap_tolerance": 3,
"snap_x_tolerance": 3,
"snap_y_tolerance": 3,
"join_tolerance": 3,
"join_x_tolerance": 3,
"join_y_tolerance": 3,
"edge_min_length": 3,
"min_words_vertical": 3,
"min_words_horizontal": 1,
"keep_blank_chars": False,
"text_tolerance": 3,
"text_x_tolerance": 3,
"text_y_tolerance": 3,
"intersection_tolerance": 3,
"intersection_x_tolerance": 3,
"intersection_y_tolerance": 3,
}
关于以上属性的说明：
| 配置项 | 说明 |
|---|---|
| “vertical_strategy” | 垂直策略,可选值 “lines”, “lines_strict”, “text”, “explicit”,见后续说明 |
| “horizontal_strategy” | 水平策略,可选值 “lines”, “lines_strict”, “text”, “explicit”. 见后续说明 |
| “explicit_vertical_lines” | 明确划分表中单元格的垂直线列表。可与上述任何策略结合使用。列表中的项目应该是数字（表示一条直线的x坐标，即页面的全高）或 line/rect/curve对象。 |
| “explicit_horizontal_lines” | 明确划分表中单元格的水平线列表。可与上述任何策略结合使用。列表中的项目应该是数字（表示一条直线的y坐标即页面的全高）或 line/rect/curve对象。 |
| “snap_tolerance”, “snap_x_tolerance”, “snap_y_tolerance” | snap_tolerance像素内的平行线将“捕捉”到相同的水平或垂直位置。 |
| “join_tolerance”, “join_x_tolerance”, “join_y_tolerance” | 同一条无限线上的线段，其端点在彼此的join_tolerance范围内，将“连接”为一条线段 |
| “edge_min_length” | 在尝试重建表之前，将丢弃小于edge_min_length的边 |
| “min_words_vertical” | 使用 “horizontal_strategy”: "text"时，至少 min_words_horizontal单词必须共享相同的对齐方式。 |
| “min_words_horizontal” | 使用 “horizontal_strategy”: "text"时,至少min_words_horizontal单词必须共享相同的对齐方式。 |
| “keep_blank_chars” | 使用 text 策略时, 空格符" "将视为单词的一部分而不是单词分隔符 |
| “text_tolerance”, “text_x_tolerance”, “text_y_tolerance” | 当 text 策略搜索单词时，期望每个单词中的单个字母之间的距离不超过text_tolerance像素。 |
| “intersection_tolerance”, “intersection_x_tolerance”, “intersection_y_tolerance” | 将边组合到单元格中时，正交边必须在intersection_tolerance 像素范围内才能视为相交。 |
表格提取策略
vertical_strategy(垂直策略) 及 horizontal_strategy(水平策略)均包含以下选项:
| 策略 | 说明 |
|---|---|
| “lines” | 使用页面的图形线（包括矩形对象的边）作为潜在表格单元格的边框。 |
| “lines_strict” | 使用页面的图形线（而不是矩形对象的边）作为潜在表格单元格的边框。 |
| “text” | 对于vertical_strategy（垂直策略）：推导连接页面上单词的左、右或中心的（假想的）行，并将这些行用作潜在表格单元格的边框。对于horizontal_strategy，相同操作，但使用单词的顶部。 |
| “explicit” | 仅使用explicit_vertical_lines / explicit_horizontal_lines中明确定义的线。 |
3.5.1 表格策略的应用
准备pdf的表格内容如下，注意最左边和最右边是没有边框的。
代码示例，使用垂直策略，并将策略模式分别修改为lines,lines_strict,text.
代码示例：
import pdfplumber
with pdfplumber.open("bg1.pdf") as pdf:
#所有页面
pages = pdf.pages
for page in pages:
#获取表格
tables = page.find_tables()
print(tables)
if len(tables) > 0:
#提取表格内容(提取页面所有表格）
content = page.extract_tables()
print("无策略：")
print(content)
content1 = page.extract_tables({
"vertical_strategy":"lines"
})
print("垂直策略使用lines：")
print(content1)
content2 = page.extract_tables({
"vertical_strategy":"lines_strict"
})
print("垂直策略使用lines_strit：")
print(content2)
content3 = page.extract_tables({
"vertical_strategy":"text"
})
print("垂直策略使用text：")
print(content3)
提取结果：
[<pdfplumber.table.Table object at 0x7fcd17df0410>]
无策略：
[[['公司名称', '经营范围', '注册资本'], ['a', 'b', 'c'], ['f', 'g', 'h']]]
垂直策略使用lines：
[[['公司名称', '经营范围', '注册资本'], ['a', 'b', 'c'], ['f', 'g', 'h']]]
垂直策略使用lines_strit：
[[['经营范围'], ['b'], ['g']]]
垂直策略使用text：
[[['公司名称', '经营范围', '注册资本'], ['a', 'b', 'c'], ['f', 'g', 'h']]]
可以发现，当垂直策略使用lines_strict时，第一列和最后一列的内容没有提取出来。是因为lines_strict只使用明确的图形线来定义列。而lines无图形线时使用潜在的矩形边框。当有图形线时，text模式并不影响结果，text模式主要用于没有图形线时通过文本格式进行推导。
下面准备一个没有图形线的表格：
提取结果：
[<pdfplumber.table.Table object at 0x7fbbf4832d10>]
无策略：
[[['公司名称', '经营范围', '注册资本'], ['a', 'b', 'c'], ['f', 'g', 'h']]]
垂直策略使用lines：
[[['公司名称', '经营范围', '注册资本'], ['a', 'b', 'c'], ['f', 'g', 'h']]]
垂直策略使用lines_strit：
[]
垂直策略使用text：
[[['公司名称', '经营范围', '注册资本'], ['a', 'b', 'c'], ['f', 'g', 'h']]]
可以发现，当lines_strict无法提取内容时，text依旧可以提取内容。lines模式同样可以提取是因为使用了潜在的矩形边框，因为pdf的内容是由excel拷贝并生成的。下面准备无格式的内容，:
代码示例：
import pdfplumber
with pdfplumber.open("bg1.pdf") as pdf:
#所有页面
pages = pdf.pages
for page in pages:
#获取表格
tables = page.find_tables()
print("页面表格：")
print(tables)
#提取表格内容(提取页面所有表格）
content1 = page.extract_tables({
"vertical_strategy":"lines"
})
print("垂直策略使用lines：")
print(content1)
content2 = page.extract_tables({
"vertical_strategy":"lines_strict"
})
print("垂直策略使用lines_strit：")
print(content2)
content3 = page.extract_tables({
"vertical_strategy":"text"
})
print("垂直策略使用text：")
print(content3)
提取结果如下：
页面表格：
[]
垂直策略使用lines：
[]
垂直策略使用lines_strit：
[]
垂直策略使用text：
[]
相当于纯文本，无识别出表格，下面添加一些边框，让数据有一些格式：
提取结果：
页面表格：
[]
垂直策略使用lines：
[]
垂直策略使用lines_strit：
[]
垂直策略使用text：
[[['公司名称', '经营范围']]]
总的来说，当页面有规范的表格时，不利用策略模式，即无参方法提取即可。当页面无表格时，但有规范格式的数据时，可使用text策略模式提取。
水平策略同样如此，只是水平策略的lines_strict结果取决于表格内容的横向边框（图形线）。在此就不多做介绍了。
4 创建PDF
创建pdf采用reportlab.首先pip3 install reportlab 安装 库。
4.1 创建文本内容
使用reportlab创建中文时，需要进行字体注册，所以生成文档前请事先准备好中文字体。一个简单的示例：
# coding:utf-8
from reportlab.pdfbase import pdfmetrics
from reportlab.pdfbase.ttfonts import TTFont
from reportlab.lib.styles import ParagraphStyle
from reportlab.platypus import SimpleDocTemplate,Paragraph
from reportlab.lib.pagesizes import letter, A4
#字体注册，第一个参数可以自定义，第二个参数你准备好的字体文件。
pdfmetrics.registerFont(TTFont('yymt', 'yymt.ttf'))
#段落样式
style = ParagraphStyle(name='Normal', #标准样式
fontName='yymt', #注册的字体名称
fontSize=14, #字体大小
leading = 22, #行距
)
#准备文本内容
text = '我是被你囚禁的鸟，已经忘了天有多高，如果离开你给我的小小城堡，不知还有谁能依靠，我是被你囚禁的鸟，得到的爱越来越少，看着你的笑在别人眼中燃烧，我却要不到一个拥抱。'
#段落，第一个参数为内容，第二个参数是上面定义的段落样式
pg = Paragraph(text,style)
#创建文档,参数时文档保存位置，和页面大小
doc = SimpleDocTemplate("test.pdf",pagesize=A4)
#文档内容拼接，这里简单重复了5次上面的段落
content = []
for i in range(1,6):
content.append(pg)
#生成文档，参数为一个列表，如果只有一个段落，也要定义成list
doc.build(content)
生成的文档内容如下：
4.2 创建表格
Reportlab中表格对象的属性：
Table(
data, # 单元格值
colWidths=None, # 列宽
rowHeights=None, # 行高
style=None, # 样式
splitByRow=1, #按行拆分表格，当前空间显示不下时是否按行拆分表格
repeatRows=0, #表格拆分时重复的前导行
repeatCols=0, #此参数会被忽略，因为目前无法按列拆分表格。
rowSplitRange=None, #用于控制将表拆分为其行子集
spaceBefore=None, #表前放置额外空间
spaceAfter=None, #表后放置额外空间
)
一个简单的示例：
from reportlab.platypus.tables import Table, TableStyle
from reportlab.lib import colors
from reportlab.lib.units import inch
from reportlab.platypus import SimpleDocTemplate, Paragraph, Table, TableStyle
from reportlab.pdfbase import pdfmetrics
from reportlab.pdfbase.ttfonts import TTFont
#字体注册，第一个参数可以自定义，第二个参数你准备好的字体文件。
pdfmetrics.registerFont(TTFont('yymt', 'yymt.ttf'))
#内容列表
content = []
#表格数据
data = [
['测试表格', '', '', '', '', ''],
['标题1', '标题2', '标题3', '标题4', '标题5', '标题6'],
['11', '12', '13', '14', '15', '16'],
['21', '22', '23', '24', '25', '26'],
['31', '32', '33', '34', '35', '36']
]
#表格(不设置单元格宽高时，单元格宽高由内容自动撑开）
#table = Table(data)
#表格（单元格宽高设置）
table = Table(data,6*[inch],5*[0.3*inch])
#表格样式（参数是一个元组列表）
#每个元组的第一个元素是代表要设置的样式，后面两个元组是单元格范围，格式为(列，行)
style = TableStyle([
#比如设置前两行文字颜色为橘色（从第一列第一个单元格，到最后一列第二个单元格）
('TEXTCOLOR',(0,0),(-1,1),colors.orange),
#从第三行行文字颜色为灰色
('TEXTCOLOR',(0,2),(-1,-1),colors.grey),
#最后一个单元格颜色为红色
('TEXTCOLOR',(-1,-1),(-1,-1),colors.red),
#设置内边距
('INNERGRID', (0,0), (-1,-1), 0.25, colors.grey),
#设置外边距
('BOX', (0,0), (-1,-1), 1, colors.pink),
#前三行设置中文字体
("FONTNAME",(0,0), (-1,2), 'yymt'),
#所有单元格内容居中
('ALIGN', (0,0), (-1,-1), 'CENTER'),
#首行合并
('SPAN',(0,0),(-1,0))
])
#为表格添加定义好的表格样式
table.setStyle(style)
#将表格追加到内容列表中
content.append(table)
#生成文档
doc = SimpleDocTemplate('test1.pdf')
doc.build(content)
生成的表格如下：
其中tableStyle 可设置的样式，来自官方文档的自动翻译，你们应该看得懂：
FONT -采用字体名称，可选字体大小和可选前导。
FONTNAME(或FACE) -采用字体名称。
FONTSIZE(或SIZE) -以点为 单位的字体大小
LEADING -以点为单位的字符间距
TEXTCOLOR -接受颜色名称或(R,G,B)元组。
ALIGNMENT (or ALIGN)-取左，右和中心(或中心)或十进制之一。
LEFTPADDING -接受一个整数，默认为6。
RIGHTPADDING -接受一个整数，默认为6。
BOTTOMPADDING -接受一个整数，默认为3。
TOPPADDING -接受一个整数，默认为3。
BACKGROUND -接受由对象、字符串名或数字元组/列表定义的颜色，或接受一个列表/元组，
描述所需的渐变填充包含三个表单元素[DIRECTION, startColor, endColor] 其中方向为垂直或水平。
rowbackground -获取一个要循环使用的颜色列表。
colbackground -获取一个要循环使用的颜色列表。
VALIGN -接受TOP, MIDDLE或默认BOTTOM中的一个
4.3 表单
4.3.1 复选框
from reportlab.pdfgen import canvas
from reportlab.pdfbase import pdfform
from reportlab.lib.colors import magenta, pink, blue, green
from reportlab.pdfbase import pdfmetrics
from reportlab.pdfbase.ttfonts import TTFont
#字体注册
pdfmetrics.registerFont(TTFont('yymt', 'yymt.ttf'))
#Canvas是reportlab绘制操作的接口
#需要注意的时canvas绘制时页面会被当作一张画布
#其原点座标(0,0)是在页面左下角.
c = canvas.Canvas('test2.pdf')
#定义标题
c.setFont("yymt", 20)
#绘制居中文本，前两个参数为座标
#表示在距离左边300，距离下部700，单位是点
#1毫米大概是2.8个点。
c.drawCentredString(300, 700, '爱好')
#表单：
form = c.acroForm
#复选框项
c.drawString(10, 650, '篮球')
#复选框1
form.checkbox(name='lq', tooltip='篮球',
x=110, y=645, buttonStyle='check',
borderColor=magenta, fillColor=pink,
textColor=blue, forceBorder=False)
#复选框2
c.drawString(10, 600, '足球')
form.checkbox(name='zq', tooltip='足球',
x=110, y=595, buttonStyle='cross',
borderColor=magenta, fillColor=green,
textColor=blue, forceBorder=True)
#复选框3
c.drawString(10, 550, '电影')
form.checkbox(name='zq', tooltip='电影',
x=110, y=545, buttonStyle='circle',
borderColor=magenta,
textColor=blue, forceBorder=True)
c.save()
生成的内容如下所示，复选框选中时的样子：
以下是checkbox可设置选项：
| 参数 | 说明 | 默认值 |
|---|---|---|
| name | 名称 | None |
| x | x坐标 | 0 |
| y | y坐标 | 0 |
| size | 轮廓尺寸大小（x大小） | 20 |
| checked | 是否选中 | False |
| buttonStyle | 按钮样式 | 'check' |
| shape | 阴影 | 'square' |
| fillColor | 填充色 | None |
| textColor | 文字颜色 | None |
| borderWidth | 边框宽度 | 1 |
| borderColor | 边框颜色 | None |
| borderStyle | 边框样式 | 'solid' |
| tooltip | 鼠标悬停提示 | None |
| annotationFlags | 注释标志的空白分隔字符串 | 'print' |
| fieldFlags | 空格分隔字段标志 | 'required' |
| forceBorder | 是否强制边界 | False |
| relative | 是否相对定位 | False |
| dashLen | 如果borderStyle=='dashed'，则使用dashline | 3 |
4.3.2 其它表单元素：
# coding: gbk
from reportlab.pdfgen import canvas
from reportlab.pdfbase import pdfform
from reportlab.lib.colors import magenta, pink, blue, green
from reportlab.pdfbase import pdfmetrics
from reportlab.pdfbase.ttfonts import TTFont
def form_example():
c = canvas.Canvas('d:/example.pdf')
pdfmetrics.registerFont(TTFont('st', 'hpsimplifiedhans-regular.ttf'))
c.setFont("st", 14)
form = c.acroForm
#-------------------- 单选按钮 -----------------------
c.drawString(10, 650, '篮球:')
form.radio(name='radio1', tooltip='Field radio1',
value='value1', selected=False,
x=60, y=645, buttonStyle='check',
borderStyle='solid', shape='square',
textColor=blue, forceBorder=True)
form.radio(name='radio1', tooltip='Field radio1',
value='value2', selected=True,
x=60, y=645, buttonStyle='check',
borderStyle='solid', shape='square',
borderColor=magenta, fillColor=pink,
textColor=blue, forceBorder=True)
c.drawString(110, 650, '电影:')
form.radio(name='radio2', tooltip='Field radio2',
value='value1', selected=True,
x=150, y=645, buttonStyle='cross',
borderStyle='solid', shape='circle',
borderColor=green, fillColor=blue,
borderWidth=2,
textColor=pink, forceBorder=True)
form.radio(name='radio2', tooltip='Field radio2',
value='value2', selected=False,
x=150, y=645, buttonStyle='cross',
borderStyle='solid', shape='circle',
borderColor=green, fillColor=blue,
borderWidth=2,
textColor=pink, forceBorder=True)
#-------------------- 下拉列表 -------------------
c.setFont("st", 14)
c.drawString(10, 600, '爱好1:')
options = [('A','A'),'B',('C','C'),('D','D'),'E',('F',),('G','G')]
form.choice(name='choice',
tooltip='爱好',
value='A',
x=60,y=595, width=72, height=20,
borderColor=magenta, fillColor=pink,
textColor=blue, forceBorder=True, options=options)
#-------------------- 列表框 -------------------
c.drawString(10, 560, '爱好2:')
options1 = [('A','A'),'B',('C','C'),('D','D'),'E',('F',),('G','G')]
form.listbox(name='listbox1', value='A',
x=60, y=500, width=72, height=72,
borderColor=magenta, fillColor=pink,
textColor=blue, forceBorder=True, options=options1,
fieldFlags='multiSelect')
#--------------------- 输入框 -------------------------
c.drawString(10, 460, '用户名:')
form.textfield(name='uname', tooltip='User Name',
x=60, y=455, borderStyle='inset',
borderColor=magenta,
width=300,height=28,
textColor=blue, forceBorder=True)
c.drawString(10, 420, '密码:')
form.textfield(name='upass', tooltip='Password',
x=60, y=415, borderStyle='inset',
borderColor=green, fillColor=magenta,
width=300,
textColor=blue, forceBorder=True)
c.save()
if __name__ == '__main__':
form_example()
结果如下：
4.4 图片
# coding: utf-8
from reportlab.platypus import SimpleDocTemplate,Image
def image_example():
doc = SimpleDocTemplate("example.pdf")
content = []
img = Image("test.bmp",200,40)
content.append(img)
doc.build(content)
if __name__ == '__main__':
image_example()
生成结果：
5 一个比较完整的例子
源代码及素材：
源码及素材https://gitcode.net/momo1938/python-pdf
下面是源码：
# coding:utf-8
from reportlab.lib.styles import getSampleStyleSheet #样式库
from reportlab.platypus import BaseDocTemplate, Frame, PageTemplate, Paragraph,Image
from reportlab.pdfbase import pdfmetrics #字体注册
from reportlab.pdfbase.ttfonts import TTFont #字体
from reportlab.lib.units import cm #尺寸
from reportlab.lib import colors # 颜色
from reportlab.lib.pagesizes import A4 #页面尺寸
from reportlab.pdfgen import canvas
from reportlab.platypus.tables import Table, TableStyle
#字体注册，注册两种字体为了方便不同形式的内容展示
#注意字体文件(ttf文件）一定要存在
pdfmetrics.registerFont(TTFont('yymt', 'yymt.ttf'))
pdfmetrics.registerFont(TTFont('fs', 'fs.ttf'))
#页眉页脚样式
def headerFooterStyle():
styles = getSampleStyleSheet()
styleN = styles['Normal']
styleN.fontName = "fs" #
styleN.fontSize = 10
styleN.textColor = colors.gray
styleN.alignment = 1 #居中
return styleN
#标题样式
def titleStyle():
styles = getSampleStyleSheet()
styleN = styles['Normal']
styleN.fontName = "yymt" # 字体
styleN.fontSize = 15 # 字体大小
styleN.alignment = 1 #居中，居左为0
styleN.spaceBefore = 10 # 段前间距
styleN.spaceAfter = 20 # 段后间距
return styleN
#正文样式
def textStyle():
styles = getSampleStyleSheet()
styleN = styles['Normal']
styleN.fontName = "yymt"
styleN.fontSize = 12
styleN.leading = 24 # 行距
styleN.firstLineIndent = 24 #首行缩进2个字(fontSize的2倍)
return styleN
#图例文字样式
def examStyle():
styles = getSampleStyleSheet()
styleN = styles['Normal']
styleN.fontName = "fs"
styleN.fontSize = 12
styleN.leading = 24 # 行距
styleN.alignment = 1
styleN.spaceBefore = 10
styleN.spaceAfter = 20
return styleN
#表格样式
def tableStyle():
style = TableStyle([
('TEXTCOLOR',(0,0),(-1,0),colors.white), #第一行文字颜色
('BACKGROUND', (0,0), (-1,0), colors.lightblue), #第一行背景色
('TEXTCOLOR',(0,2),(-1,-1),colors.grey),
('INNERGRID', (0,0), (-1,-1), 0.25, colors.grey), #内边框粗细和颜色
('BOX', (0,0), (-1,-1), 2, colors.gray), #外边框粗细和颜色
("FONTNAME",(0,0), (-1,-1), 'yymt'), #所有单元格设置中文字体
('ALIGN', (0,0), (-1,-1), 'CENTER'), #水平居中所有单元格
('VALIGN', (0,0), (-1,-1), 'MIDDLE'), #垂直居中所有单元格
('SPAN',(0,0),(-1,0)),#第一行合并单元格
('FONTSIZE',(0,0),(-1,0),16)#第一行文字大小
])
return style
# 页脚（这里页脚只有页码）
def footer(canvas, doc):
canvas.saveState()
pageNumber = ("%s" %canvas.getPageNumber())
p = Paragraph(pageNumber, headerFooterStyle())
w, h = p.wrap(doc.width, doc.bottomMargin)
#-1cm的目的是为了让页码在2cm的下边距里上下居中
p.drawOn(canvas,doc.leftMargin,doc.bottomMargin-1*cm)
canvas.restoreState()
#页眉
def header(canvas, doc):
canvas.saveState()
p = Paragraph("测试公司张三2021年度工作报告", headerFooterStyle())
w,h = p.wrap(doc.width, doc.topMargin)
p.drawOn(canvas, doc.leftMargin, doc.bottomMargin+ doc.height + 1*cm)
canvas.setStrokeColor(colors.gray)
#画线（页眉底部的横线）
canvas.line(doc.leftMargin, doc.bottomMargin+doc.height + 0.5*cm, doc.leftMargin+doc.width, doc.bottomMargin+doc.height + 0.5*cm)
canvas.restoreState()
if __name__ == '__main__':
#文档属性，保存路径，页面大小和页边距
doc = BaseDocTemplate("e11.pdf", pagesize = A4,topMargin = 2*cm, bottomMargin = 2*cm)
#内容区域
frame= Frame(doc.leftMargin, doc.bottomMargin, doc.width, doc.height, id='normal')
#页面模板
template = PageTemplate(id='e11', frames=frame, onPage=header, onPageEnd=footer)
doc.addPageTemplates([template])
#页首图片
img = Image("top.jpg")
img.drawWidth = doc.width
img.drawHeight = 200
#标题
title = Paragraph("2021年度工作报告", titleStyle())
content = []
content.append(img)
content.append(title)
#正文（从文本文件中读取一段文字）
file1 = open('text1.txt','r')
file_text = file1.read()
ps = file_text.split("\n")
for p in ps:
text = Paragraph(p, textStyle())
content.append(text)
file1.close()
#表格
table_data = [
['销售业绩表', '', '', '', '', ''],
['员工编号', '员工姓名', '1月销售额', '2月销售额', '3月销售额', '季度总额'],
['2101', '李聪', '31500', '27470', '43510', '102480'],
['2102', '刘表', '57210', '45473', '36980', '140763'],
['2103', '刘香山', '455100', '33150', '37420', '116080'],
['2104', '王宗艺', '58870', '39760', '56890', '1555200'],
['2105', '张军', '36910', '26150', '43850', '106910'],
['2106', '李娜', '66240', '47950', '67610', '181800'],
]
table = Table(table_data,6*[2.5*cm],8*[1*cm])
table.setStyle(tableStyle())
content.append(table)
#添加一个表格的说明：
exam1 = Paragraph("表一：第一季度销售表", examStyle())
content.append(exam1)
#再次读入一段文字
file2 = open('text2.txt','r')
file_text2 = file2.read()
ps2 = file_text2.split("\n")
for p in ps2:
text = Paragraph(p, textStyle())
content.append(text)
file2.close()
doc.build(content)
生成的文档预览：
3543
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
