Python操作PDF

一、PDF简介

PDF是Portable Document Format的缩写，这类文件通常使用.pdf作为其扩展名。在日常开发工作中，最容易遇到的就是从PDF中读取文本内容以及用已有的内容生成PDF文档这两个任务。

在Python中，可以使用名为PyPDF2的三方库来读取PDF文件，可以使用下面的命令来安装它。

安装最新版本

pip install PyPDF2

安装指定版本

pip install PyPDF2==2.3.1 

二、从PDF中提取文本和加密PDF文件

2.1 提取文本

PyPDF2没有办法从PDF文档中提取图像、图表或其他媒体，但它可以提取文本，并将其返回为Python字符串。

• 导入包

import PyPDF2

• 创建读取文件的对象

reader = PyPDF2.PdfReader(r"data/XGBoost.pdf")

• 获取指定页，结果返回一个字典

page = reader.pages[0]
print(page)

• 获取指定页的文本内容

text = page.extract_text()
print(text)

2.2 加密pdf文件

使用PyPDF2中的PdfWrite对象可以为PDF文档加密，如果需要给一系列的PDF文档设置统一的访问口令，使用Python程序来处理就会非常的方便。

加密pdf文件会创建新的对象

• 导入包

import PyPDF2

• 创建读取文件的对象

reader = PyPDF2.PdfReader(r"data/XGBoost.pdf")

• 创建写入文件的对象

writer = PyPDF2.PdfWriter()

• 获取已知文件的每一页，添加到新的文件对象中

for i in range(len(reader.pages)):
    writer.add_page(reader.pages[i])

• 给PDF文件加密，设置密码

writer.encrypt("1234")

• 保存新创建的文件

with open(r"data/XGBoost-加密.pdf", "wb") as f:
    writer.write(f)

三、旋转和创建空白pdf文件

3.1 旋转页

• 导入包

import PyPDF2

• 创建读取文件的对象

reader = PyPDF2.PdfReader(r"data/XGBoost.pdf")

• 创建写入文件的对象

writer = PyPDF2.PdfWriter()

• 获取已知文件的每一页，添加到新的文件对象中

for i in range(len(reader.pages)):
    # 获取每一页的对象
    page = reader.pages[i]
    if i % 2 == 0:
        # 偶数页顺时针选择90°
        page.rotate(90)
    else:
        # 奇数页顺时针选择90°
        page.rotate(-90)
    writer.add_page(reader.pages[i])

• 保存新创建的文件

with open(r"data/XGBoost-旋转.pdf", "wb") as f:
    writer.write(f)

3.2 创建空白页

import PyPDF2

# 1.旋转
# 创建读取文件的对象
reader = PyPDF2.PdfReader(r"data/XGBoost.pdf")
# 创建写入文件的对象
writer = PyPDF2.PdfWriter()

for i in range(len(reader.pages)):
    # 获取每一页的对象
    page = reader.pages[i]
    if i % 2 == 0:
        # 顺时针旋转90
        page.rotate(90)
    else:
        # 逆时针旋转90
        page.rotate(-90)
    writer.add_page(page)

# 2.创建空白页
blank_page = writer.add_blank_page()

with open(r"data/XGBoost-空白.pdf", 'wb') as f:
    writer.write(f)

四、批量添加水印

​ 给文件添加水印，需要准备两个文件，一个需要添加水印的文件XGBoost.pdf，一个是水印文件watermark.pdf。通过merge_page方法将两个PDF页面进行叠加，通过这个操作，我们很容易实现给PDF文件添加水印的功能。

​ 同样，该操作会创建一个新的对象

# 导入包
import PyPDF2

# 创建读取文件对象
# 原文件对象
src_reader = PyPDF2.PdfReader(r"data/XGBoost.pdf")
# 水印文件对象
water_reader = PyPDF2.PdfReader(r"data/watermark.pdf")

# 创建写入文件对象
writer = PyPDF2.PdfWriter()

# 获取水印文件的page对象
water_page = water_reader.pages[0]
# 遍历需要添加水印的原文件的每一页对象，将其和水印文件的页对象进行合并
for i in range(len(src_reader.pages)):
    src_page = src_reader.pages[i]
    # 合并
    src_page.merge_page(water_page)
    # 添加到writer文件对象中
    writer.add_page(src_page)
    
# 保存文件
with open(r"data/XGBoost-水印.pdf", "wb") as f:
    writer.write(f)