PyPDF2--如何使用python操作你的PDF文档

PyPDF2–如何使用python操作你的PDF文档

前言

大家好！最近想操作一下PDF文档，总是收费，于是浅尝辄止地了解了一下python当中的PyPDF2这个库。借助本篇博客总结了一下个人所学到的内容。本人才疏学浅，还望各位大佬多多指正。Python在自动化办公方面有很多实用的第三方库，可以很方便的处理word、excel、ppt、pdf文件，Python处理PDF文档的两个常用库pdfplumber，PyPDF2。在此本人对PyPDF2进行一个简单的介绍。

0.0：PyPDF2简介以及安装

PyPDF2 是一个纯 Python PDF 库，可以读取文档信息（标题，作者等）、写入、分割、合并PDF文档，它还可以对pdf文档进行添加水印、加密解密等操作。
很多具体参数设置大家可以访问其官方文档→https://pythonhosted.org/PyPDF2

Windows安装方法：

1. win+r输入cmd 打开命令窗口
2. 直接输入 pip install PyPDF2
3. 速度太慢可以使用镜像如 pip install -i https://pypi.tuna.tsinghua.edu.cn/simple PyPDf2
4. 在pycharm上面：左上角File->Settings->Project Interpreter->+找到后Install就可以了
5. 在https://pypi.org/project/PyPDF2/ 中搜索PyPDF2 1.26.0下载后也可以直接安装
   
   （注：IOS系统以及Linux系统上安装在此不过多描述）

我们可以在其官方文档首页看到如下页面

我们可以看到这个第三方库主要包括PdfFileReader Class,PdfFileMerger,PageObject Class,PdfFileWriter这四个大类还有一个其他类。下面我们开始对其一一进行描述。

1:The PdfFileReader Class:

初始化一个 PdfFileReader 对象A，此操作可能需要一些时间，因为 PDF 流的交叉引用表被读入内存。

A = PyPDF2.PdfFileReader(stream, strict=True, warndest=None, overwriteWarnings=True)

其中参数：
stream：这个单词直接翻译成中文表示溪流或者流动，这里表示你需要操作的pdf文件或者其路径的字符串。
strict：确定是否应警告用户所有问题，并导致一些可纠正的问题致命。默认为True。
warndest：记录警告的目标(默认为系统标准)
overwriteWarnings：觉得是否使用一个自定义实现来覆盖python的warning模块。
正常情况下我们一般只会用到第一个参数stream

关于PdfFileReader的一些操作函数属性的讲解

相关属性以及函数	描述	备注
decrypt(password)	可以对加密的文档进行解密操作
documentInfo	通过getDocumentInfo()函数功能访问的只读属性
getDestinationPageNumber(destination)	检索目标对象的页数	若错误则返回-1
getDocumentInfo()	检索PDF文件的字典信息是否存在存在会返回相关信息，不存在则会返回None	部分PDF文件使用的是元数据流
getFields(tree=None, retval=None, fileobj=None)	如果此 PDF文档中包含交互式表单字段，则提取字段数据	返回类型是字典或者None
getFormTextFields()	从文档中检索带有文本数据（输入，下拉列表）的表单域
getNamedDestinations(tree=None, retval=None)	检索文档中的特定的目标	返回字典类型
namedDestinations	通过getNamedDestinations()函数的只读属性
getNumPages（）	计算此PDF的页数
numPages	通过getNumPages()函数的只读属性
getOutlines（node = None，outlines = None ）	检索文档中存在的文档大纲
outlines	通过getOutlines（）函数的只读属性
getPage（pageNumber ）	按编号检索页面	就是找到某页内容
getPageLayout（）	获取页面布局	返回类型为字符串
pageLayout	通过getPageLayout（）的只读属性
getPageMode（）	获取页面模式	返回类型为字符串
pageMode	通过getPageMode的只读属性
getPageNumber（页面）	检索给定页面的页码
getXmpMetadata（）	从PDF文档根目录检索XMP(可扩展元数据平台)数据
xmpMetadata	通过getXmpMetadata（）的只读属性
isEncrypted	显示此文档是否被加密的属性	如果为True调用decrypt（）解密之后属性依旧为True

PdfFileReader相关代码举例

以下代码均在Anaconda3上正常运行

from PyPDF2 import PdfFileReader
import os   #os库可以进行相关路径操作在此不做多示范
readFile = './XXX.pdf'#这里XXX改成你这个.py同文件夹下的pdf文件名即可
# 获取 PdfFileReader 对象
pdfFileReader = PdfFileReader(readFile)  # 或者这个方式：pdfFileReader = PdfFileReader(open(readFile, 'rb'))
# 获取 PDF 文件的文档信息
documentInfo = pdfFileReader.getDocumentInfo()
print('documentInfo = %s' % documentInfo)
# 获取页面布局
pageLayout = pdfFileReader.getPageLayout()
print('pageLayout = %s ' % pageLayout)
# 获取页模式
pageMode = pdfFileReader.getPageMode()
print('pageMode = %s' % pageMode)
xmpMetadata = pdfFileReader.getXmpMetadata()
print('xmpMetadata  = %s ' % xmpMetadata)
# 获取 pdf 文件页数
pageCount = pdfFileReader.getNumPages()
print('pageCount = %s' % pageCount)
for index in range(0, pageCount):
    # 返回指定页编号的 pageObject
    pageObj = pdfFileReader.getPage(index)
    print('index = %d , pageObj = %s' % (index, type(pageObj)))
    # 获取 pageObject 在 PDF 文档中处于的页码
    pageNumber = pdfFileReader.getPageNumber(pageObj)
    print('pageNumber = %s ' % pageNumber)

结果

2:The PdfFileMerger Class:

初始化一个PdfFileMerger对象B，其可以将多个pdf合并成 一个，可以串联、切片或者插入

 B = PyPDF2.PdfFileMerger(strict