有问题的 PDF 格式
虽然 PDF 文件对文本布局非常好,让人们很容易打印并阅读,但软件要将
它们解析为纯文本却并不容易。因此,PyPDF2 从 PDF 提取文本时可能会出错,
甚至根本不能打开某些 PDF。遗憾的是,你对此没有什么办法,PyPDF2 可能就
是不能处理某些 PDF 文件。话虽这样说,我至今没有发现不能用 PyPDF2 打开的
PDF 文件。
# 从PDF读取文本
import PyPDF2
pdfFileObj = open('meetingminutes.pdf', 'rb')
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
pdfReader.numPages ->19
# 0是第一页,
pageObj = pdfReader.getPage(0)
#抽取文本可能并不完美,但可能来说足够了
pageObj.extractText() ->'OOFFFFIICCIIAALL BBOOAARRDD MMIINNUUTTEESS Meeting of March 7, 2015
#解密PDF
pdfReader = PyPDF2.PdfFileReader(open('encrypted.pdf', 'rb'))
# isEncrypted 属性表示是否有密码
pdfReader.isEncrypted ->True
pdfReader.getPage(0) ->会报错,需要解锁密码来做。我个人认为或许可以用程序暴力解锁密码
#传递密码解锁.decrypt()方法只解密了PdfFileReader 对象,而不是实际的 PDF 文件。在程序中止后,硬盘上的文件仍然是加密的。程序下次运行时,仍然需要再次调用 decrypt()。
pdfReader.decrypt('rosebud')->1
pageObj = pdfReader.getPage(0)
# 创建PDF,通过使用PdfFileWriter对象,但PyPDF2不能将任意文本写入PDF,仅限于从其他PDF中
# 拷贝页面,旋转页面, 重叠页面和加密文件
#模块不允许直接编辑PDF,必须创建一个新的PDF,然后从已有的文档拷贝内容,在这本书中作者遵循以下方式:
# 1.打开一个或多个源PDF,得到PdfFileReader对象
# 2.创建一个新的PdfFileWriter对象。
# 3.将页面从PdfFileReader对象拷贝到PdfFileWriter对象中
# 4.利用PdfFileWriter对象写入输出的PDF。
#创建一个PdfFileWriter对象,不会创建实际的PDF,要生成实际文件必须调用write方法,且以二进制模式打开。
# 从一个PDF拷贝页面到另一个PDF,可以组合多个PDF
import PyPDF2
pdf1File = open('meetingminutes.pdf', 'rb')
pdf2File = open('meetingminutes2.pdf', 'rb')
pdf1Reader = PyPDF2.PdfFileReader(pdf1File)
pdf2Reader = PyPDF2.PdfFileReader(pdf2File)
pdfWriter = PyPDF2.PdfFileWriter()
for pageNum in range(pdf1Reader.numPages):
pageObj = pdf1Reader.getPage(pageNum)
pdfWriter.addPage(pageObj)
#PyPDF2不能在PdfFileWriter对象中间插入页面,addPage只能在末尾添加页面
for pageNum in range(pdf2Reader.numPages):
pageObj = pdf2Reader.getPage(pageNum)
pdfWriter.addPage(pageObj)
pdfOutputFile = open('combinedminutes.pdf', 'wb')
pdfWriter.write(pdfOutputFile)
pdfOutputFile.close()
pdf1File.close()
pdf2File.close()
#旋转页面,使用rotateClockwise和rotateCounterClockwise方法,传入度数90,180,270即可
import PyPDF2
minutesFile = open('meetingminutes.pdf', 'rb')
pdfReader = PyPDF2.PdfFileReader(minutesFile)
page = pdfReader.getPage(0)
page.rotateClockwise(90)
pdfWriter = PyPDF2.PdfFileWriter()
pdfWriter.addPage(page)
resultPdfFile = open('rotatedPage.pdf', 'wb')
pdfWriter.write(resultPdfFile)
resultPdfFile.close()
minutesFile.close()
#叠加页面,可以添加公司标志,时间戳以及水印等
import PyPDF2
minutesFile = open('meetingminutes.pdf', 'rb')
pdfReader = PyPDF2.PdfFileReader(minutesFile)
minutesFirstPage = pdfReader.getPage(0)
pdfWatermarkReader = PyPDF2.PdfFileReader(open('watermark.pdf', 'rb'))
minutesFirstPage.mergePage(pdfWatermarkReader.getPage(0))
pdfWriter = PyPDF2.PdfFileWriter()
pdfWriter.addPage(minutesFirstPage)
for pageNum in range(1, pdfReader.numPages):
pageObj = pdfReader.getPage(pageNum)
pdfWriter.addPage(pageObj)
resultPdfFile = open('watermarkedCover.pdf', 'wb')
pdfWriter.write(resultPdfFile)
minutesFile.close()
resultPdfFile.close()
#加密PDF
import PyPDF2
pdfFile = open('meetingminutes.pdf', 'rb')
pdfReader = PyPDF2.PdfFileReader(pdfFile)
pdfWriter = PyPDF2.PdfFileWriter()
for pageNum in range(pdfReader.numPages):
pdfWriter.addPage(pdfReader.getPage(pageNum))
pdfWriter.encrypt('swordfish')
resultPdf = open('encryptedminutes.pdf', 'wb')
pdfWriter.write(resultPdf)
resultPdf.close()
项目:从多个 PDF 中合并选择的页面
假定你有一个很无聊的任务,需要将几十个 PDF 文件合并成一个 PDF 文件。每
一个文件都有一个封面作为第一页,但你不希望合并后的文件中重复出现这些封
面。即使有许多免费的程序可以合并 PDF,很多也只是简单的将文件合并在一起。
让我们来写一个 Python 程序,定制需要合并到 PDF 中的页面。
总的来说,该程序需要完成:
- 找到当前工作目录中所有 PDF 文件。
- 按文件名排序,这样就能有序地添加这些 PDF。
- 除了第一页之外,将每个 PDF 的所有页面写入输出的文件。
从实现的角度来看,代码需要完成下列任务: - 调用 os.listdir(),找到当前工作目录中的所有文件,去除掉非 PDF 文件。
- 调用 Python 的 sort()列表方法,对文件名按字母排序。
- 为输出的 PDF 文件创建 PdfFileWriter 对象。
- 循环遍历每个 PDF 文件,为它创建 PdfFileReader 对象。
- 针对每个 PDF 文件,循环遍历每一页,第一页除外。
- 将页面添加到输出的 PDF。
- 将输出的 PDF 写入一个文件,名为 allminutes.pdf。
针对这个项目,打开一个新的文件编辑器窗口,将它保存为 combinePdfs.py。
# 第 1 步:找到所有 PDF 文件
#! python3
# combinePdfs.py - Combines all the PDFs in the current working directory into
# into a single PDF.
import PyPDF2, os
# Get all the PDF filenames.
pdfFiles = []
for filename in os.listdir('.'):
if filename.endswith('.pdf'):
pdfFiles.append(filename)
pdfFiles.sort(key=str.lower)
pdfWriter = PyPDF2.PdfFileWriter()
# 第2步:打开每个PDF文件
# Loop through all the PDF files.
for filename in pdfFiles:
pdfFileObj = open(filename, 'rb')
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
# 第3步:添加每一页
# Loop through all the pages (except the first) and add them.
for pageNum in range(1, pdfReader.numPages):
pageObj = pdfReader.getPage(pageNum)
pdfWriter.addPage(pageObj)
# 第4步:保存结果
# Save the resulting PDF to a file.
pdfOutput = open('allminutes.pdf', 'wb')
pdfWriter.write(pdfOutput)
pdfOutput.close()
类似程序的想法
能够利用其他 PDF 文件的页面创建 PDF 文件,这让你的程序能完成以下任务:
从 PDF 文件中截取特定的页面。
重新调整 PDF 文件中页面的次序。
创建一个 PDF 文件,只包含那些具有特定文本的页面。文本由 extractText()来确定。