DataWhale组队打卡Task 04 Python办公自动化--PDF篇

PDF 操作是的知识点，初级的 PDF 自动化包括 PDF 文档的拆分、合并、提取等操作，更高级的还包括 WORD与PDF互转等

初级操作一般比较常用，也可以解决较多的办公内容，所以本节将会主要介绍 PDF 的初级操作，具体内容将会从以下几个小节展开：

4.1. 相关介绍

Python 操作 PDF 会用到两个库，分别是：PyPDF2 和 pdfplumber

其中 PyPDF2 可以更好的读取、写入、分割、合并PDF文件，而 pdfplumber 可以更好的读取 PDF 文件中内容和提取 PDF 中的表格

对应的官网分别是：

PyPDF2：PyPDF2 Documentation — PyPDF2 1.26.0 documentation

pdfplumber：GitHub - jsvine/pdfplumber: Plumb a PDF for detailed information about each char, rectangle, line, et cetera — and easily extract text and tables.

由于这两个库都不是 Python 的标准库，所以在使用之前都需要单独安装

win+r 后输入 cmd 打开 command 窗口，依次输入如下命令进行安装：

pip install PyPDF2

pip install pdfplumber

安装完成后显示 success 则表示安装成功

另外，在下文中需要用到两个文件：一个是本次教程的处理目标PDF、一个是在添加水印章节需要用到的水印PDF文件

其中第一个PDF大家可以换成自己想要处理的目标PDF，在下文的代码中修改相应的名称即可；第二个PDF大家可以根据文中给出的教程自行生成水印PDF文件（嫌麻烦的同学可以直接用我提供的水印PDF即可）

上述两个文件的下载链接如下：百度网盘 请输入提取码 提取码：1025

另外，需要注意的是，第一个PDF和第二个PDF直接放在运行代码的同级目录下即可，运行的时候无需创建文件夹，大家注意下！

4.2. 批量拆分

将一个完整的 PDF 拆分成几个小的 PDF，因为主要涉及到 PDF 整体的操作，所以本小节需要用到 PyPDF2 这个库

拆分的大概思路如下：

• 读取 PDF 的整体信息、总页数等
• 遍历每一页内容，以每个 step 为间隔将 PDF 存成每一个小的文件块
• 将小的文件块重新保存为新的 PDF 文件

需要注意的是，在拆分的过程中，可以手动设置间隔，例如：每5页保存成一个小的 PDF 文件

拆分的代码如下：

In [ ]:

import os
from PyPDF2 import PdfFileWriter, PdfFileReader

def split_pdf(filename, filepath, save_dirpath, step=5):
    """
    拆分PDF为多个小的PDF文件，
    @param filename:文件名
    @param filepath:文件路径
    @param save_dirpath:保存小的PDF的文件路径
    @param step: 每step间隔的页面生成一个文件，例如step=5，表示0-4页、5-9页...为一个文件
    @return:
    """
    if not os.path.exists(save_dirpath):
        os.mkdir(save_dirpath)
    pdf_reader = PdfFileReader(filepath)
    # 读取每一页的数据
    pages = pdf_reader.getNumPages()
    for page in range(0, pages, step):
        pdf_writer = PdfFileWriter()
        # 拆分pdf，每 step 页的拆分为一个文件
        for index in range(page, page+step):
            if index < pages:
                pdf_writer.addPage(pdf_reader.getPage(index))
        # 保存拆分后的小文件
        save_path = os.path.join(save_dirpath, filename.split('.')[0]+str(int(page/step)+1)+'.pdf')
        print(save_path)
        with open(save_path, "wb") as out:
            pdf_writer.write(out)

    print("文件已成功拆分，保存路径为："+save_dirpath)
    
filename = '易方达中小盘混合型证券投资基金2020年中期报告.pdf'
filepath = os.path.join(os.getcwd(), filename)
save_dirpath = os.path.join(os.getcwd(), '易方达中小盘混合型证券投资基金2020年中期报告-拆分')
split_pdf(filename, filepath, save_dirpath, step=5)

y:\2021_AI_learning\打卡学习\OfficeAutomation\source\task04\易方达中小盘混合型证券投资基金2020年中期报告-拆分\易方达中小盘混合型证券投资基金2020年中期报告1.pdf
/ABCDEE+宋体
/ABCDEE+宋体
/ABCDEE+宋体
/ABCDEE+宋体
/ABCDEE+宋体
y:\2021_AI_learning\打卡学习\OfficeAutomation\source\task04\易方达中小盘混合型证券投资基金2020年中期报告-拆分\易方达中小盘混合型证券投资基金2020年中期报告2.pdf
/ABCDEE+宋体
/ABCDEE+宋体
/ABCDEE+宋体
/ABCDEE+宋体
/ABCDEE+宋体
y:\2021_AI_learning\打卡学习\OfficeAutomation\source\task04\易方达中小盘混合型证券投资基金2020年中期报告-拆分\易方达中小盘混合型证券投资基金2020年中期报告3.pdf
/ABCDEE+宋体
/ABCDEE+宋体
/ABCDEE+宋体
/ABCDEE+宋体
/ABCDEE+宋体
y:\2021_AI_learning\打卡学习\OfficeAutomation\source\task04\易方达中小盘混合型证券投资基金2020年中期报告-拆分\易方达中小盘混合型证券投资基金2020年中期报告4.pdf
/ABCDEE+宋体
/ABCDEE+宋体
/ABCDEE+宋体
/ABCDEE+宋体
/ABCDEE+宋体
y:\2021_AI_learning\打卡学习\OfficeAutomation\source\task04\易方达中小盘混合型证券投资基金2020年中期报告-拆分\易方达中小盘混合型证券投资基金2020年中期报告5.pdf
/ABCDEE+宋体
/ABCDEE+宋体
/ABCDEE+宋体
/ABCDEE+宋体
/ABCDEE+宋体