【Python】PDF文件处理（PyPDF2、borb、fitz）

Python提供了多种方法和库用于处理PDF文件，这些工具可以帮助开发者实现诸如读取、写入、合并、拆分以及压缩等功能。以下是几个常用的Python PDF操作库及其基本用法（PyPDF2、borb、fitz）。

1. PyPDF2

PyPDF2 是一个功能强大的库，支持各种常见的PDF操作，例如读取、合并、分割、旋转页面等。尽管该库已经停止更新，但它仍然被广泛使用。

pip install pypdf2

下面是一个简单的例子展示如何使用 PyPDF2 合并两个PDF文件：

import os
from PyPDF2 import PdfMerger

merger = PdfMerger()
files = ["file1.pdf", "file2.pdf"]

for file in files:
    if os.path.exists(file):
        merger.append(file)
    
merger.write("merged_file.pdf")
merger.close()

2. borb

borb 是另一个现代且易于使用的PDF库，它允许用户创建、修改现有的PDF文档，并提供了一些高级特性如加密和签名。以下是如何打开现有PDF文件并保存更改的一个示例：

pip install borb

from borb.pdf.reader import SimplePDFReader
from borb.pdf.document import Document
from borb.pdf.writer import Writer

# 打开已有PDF文件
with open("example.pdf", "rb") as pdf_in:
    reader = SimplePDFReader(pdf_in)
    doc: Document = reader.read()

# 修改文档 (此处省略具体修改逻辑)

# 将修改后的文档另存为新文件
with open("output.pdf", "wb") as pdf_out:
    writer = Writer(pdf_out, doc)
    writer.write()

3. fitz (PyMuPDF)

fitz（也称为 PyMuPDF）能够高效地解析复杂的PDF结构，适合于需要提取图像或者文本的应用场景。此外，它还可以用来转换整个PDF成图片序列。

pip install pymupdf

示例代码如下所示：

import fitz  # 导入模块

# 加载目标pdf
doc = fitz.open('input.pdf')

# 遍历每一页并将它们转为png格式
for page_num in range(len(doc)):
    page = doc.load_page(page_num)
    pix = page.get_pixmap(dpi=300)
    output_filename = f'page_{page_num}.png'
    pix.save(output_filename)

4. 处理大尺寸PDF的技术手段

对于较大的PDF文件，可以通过以下几种技术减少其体积：

• 图片质量调整：降低分辨率或将高清晰度的照片替换为较低版本；
• 字体优化：移除未使用的字符集或完全不嵌入字体数据；
• 清理冗余项：去除隐藏层、空白页码区域以及其他无意义的内容；