【Python】pypdf 库：处理 PDF 文件

pypdf 是一个纯 Python 库，用于处理 PDF 文件。它支持读取、修改、合并、拆分、加密和提取 PDF 文件的文本、元数据及页面内容。pypdf 是 PyPDF2 的继任者（2022 年更名并重构），提供了更现代化的 API 和更高的性能，适合处理简单的 PDF 操作任务。

以下是对 pypdf 库的详细说明和常见用法。

---

1. pypdf 库的作用

• 读取 PDF：提取文本、元数据、页面数量等。
• 修改 PDF：合并、拆分、旋转、裁剪页面。
• 创建 PDF：生成新 PDF 或添加内容（如文本、水印）。
• 加密/解密：为 PDF 设置密码或解锁受保护的 PDF。
• 跨平台：纯 Python 实现，无需外部依赖（如 Adobe Acrobat）。

---

2. 安装与环境要求

• Python 版本：支持 Python 3.6+（推荐 3.8+）。
• 依赖：无强制外部依赖，可选依赖：
  • Pillow：处理 PDF 中的图像。
  • pycryptodome：支持加密/解密。
• 安装命令：

  pip install pypdf
  

• 可选扩展：

  pip install pypdf[image]  # 包含 Pillow
  pip install pypdf[crypto]  # 包含 pycryptodome
  

• 验证安装：

  import pypdf
  print(pypdf.__version__)  # 示例输出: 5.0.1
  

---

3. 核心功能与用法

pypdf 的核心类包括 PdfReader（读取 PDF）、PdfWriter（修改/创建 PDF）和 PdfMerger（合并 PDF）。以下是主要功能和示例。

3.1 读取 PDF

使用 PdfReader 读取 PDF 文件，提取元数据、页面数和文本。

from pypdf import PdfReader

# 打开 PDF 文件
reader = PdfReader("example.pdf")

# 获取元数据
metadata = reader.metadata
print(metadata)  # 输出: {'/Title': 'Example PDF', '/Author': 'John Doe', ...}

# 获取页面数
print(len(reader.pages))  # 输出页面数

# 提取第一页文本
page = reader.pages[0]
print(page.extract_text())

说明：

• reader.metadata 返回 PDF 元数据（如标题、作者）。
• reader.pages 是一个页面列表，pages[i] 返回第 i 页（从 0 开始）。
• page.extract_text() 提取页面文本（效果依赖 PDF 结构，可能不完整）。

3.2 合并 PDF

使用 PdfMerger 或 PdfWriter 合并多个 PDF 文件。

from pypdf import PdfMerger

# 创建合并器
merger = PdfMerger()

# 添加 PDF 文件
merger.append("file1.pdf")
merger.append("file2.pdf")

# 保存合并结果
merger.write("merged.pdf")
merger.close()

替代方法（使用 PdfWriter）：

from pypdf import PdfReader, PdfWriter

writer = PdfWriter()
for pdf in ["file1.pdf", "file2.pdf"]:
    reader = PdfReader(pdf)
    for page in reader.pages:
        writer.add_page(page)

with open("merged.pdf", "wb") as f:
    writer.write(f)

说明：

• PdfMerger 更适合简单合并任务。
• PdfWriter 提供更灵活的控制。

3.3 拆分 PDF

将 PDF 拆分为单个页面或指定范围。

from pypdf import PdfReader, PdfWriter

reader = PdfReader("example.pdf")

# 拆分每一页为单独 PDF
for i, page in enumerate(reader.pages):
    writer = PdfWriter()
    writer.add_page(page)
    with open(f"page_{i+1}.pdf", "wb") as f:
        writer.write(f)

说明：

• 每个页面保存为单独文件。
• 可通过索引选择特定页面范围。

3.4 旋转页面

旋转 PDF 的页面。

from pypdf import PdfReader, PdfWriter

reader = PdfReader("example.pdf")
writer = PdfWriter()

# 旋转第一页 90 度
page = reader.pages[0]
page.rotate(90)
writer.add_page(page)

# 保存结果
with open("rotated.pdf", "wb") as f:
    writer.write(f)

说明：

• page.rotate(angle) 接受角度（顺时针，90 的倍数）。
• 旋转后的页面添加到新 PDF。

3.5 加密/解密 PDF

为 PDF 设置密码或解锁受保护的 PDF。

from pypdf import PdfReader, PdfWriter

# 加密 PDF
reader = PdfReader("example.pdf")
writer = PdfWriter()

for page in reader.pages:
    writer.add_page(page)

writer.encrypt(user_password="my_password", algorithm="AES-256")
with open("encrypted.pdf", "wb") as f:
    writer.write(f)

# 解密 PDF
reader = PdfReader("encrypted.pdf")
if reader.is_encrypted:
    reader.decrypt("my_password")
print(reader.pages[0].extract_text())

说明：

• encrypt 支持 RC4-128 和 AES-256 算法。
• decrypt 需提供正确密码。

3.6 提取图像

从 PDF 中提取图像（需安装 Pillow）。

from pypdf import PdfReader

reader = PdfReader("example.pdf")
page = reader.pages[0]
for img in page.images:
    with open(f"image_{img.name}", "wb") as f:
        f.write(img.data)

说明：

• page.images 返回页面中的图像对象。
• img.data 是图像的二进制数据。

---

4. 性能与特点

• 高效性：纯 Python 实现，启动快，无需外部工具。
• 内存效率：逐页处理，适合大型 PDF。
• 灵活性：支持页面级操作和元数据修改。
• 局限性：
  • 文本提取效果依赖 PDF 结构，复杂格式（如扫描文档）可能失败。
  • 不支持直接编辑 PDF 内容（如修改文本），需结合其他库（如 reportlab）。

---

5. 实际应用场景

• 文档处理：合并报告、拆分章节、提取元数据。
• 自动化工作流：批量处理 PDF（如添加水印、加密）。
• 数据提取：从 PDF 提取文本或图像用于分析。
• 电子书管理：调整页面顺序或裁剪边距。
• 安全管理：为敏感文档设置密码。

示例（提取所有页面文本）：

from pypdf import PdfReader

reader = PdfReader("example.pdf")
text = ""
for page in reader.pages:
    text += page.extract_text() or ""
print(text[:200])  # 输出前 200 字符

---

6. 注意事项

• 文本提取：
  • 扫描或图像型 PDF 需先用 OCR 工具（如 pytesseract）处理。
  • 复杂布局可能导致文本顺序错误。
• 加密限制：
  • 某些高强度加密可能需要 pycryptodome。
  • 解密需正确密码，否则抛出异常。
• 文件路径：
  • 确保文件路径正确，建议使用 pathlib 或绝对路径。
• 版本兼容性：
  • pypdf（≥3.0.0）与 PyPDF2 不完全兼容，旧代码需调整。
  • 最新版本（5.0.1，截至 2025）优化了性能和 API。
• 错误处理：
  • 处理 FileNotFoundError（文件不存在）。
  • 处理 PdfReadError（文件损坏或加密）。

---

7. 综合示例

以下是一个综合示例，展示读取、合并、加密和提取文本：

from pypdf import PdfReader, PdfWriter, PdfMerger

# 读取 PDF 元数据和文本
reader = PdfReader("input.pdf")
print("Metadata:", reader.metadata)
print("Page count:", len(reader.pages))
print("First page text:", reader.pages[0].extract_text()[:100])

# 合并多个 PDF
merger = PdfMerger()
merger.append("input1.pdf")
merger.append("input2.pdf")
merger.write("merged.pdf")
merger.close()

# 加密合并后的 PDF
reader = PdfReader("merged.pdf")
writer = PdfWriter()
for page in reader.pages:
    writer.add_page(page.rotate(90))  # 旋转页面
writer.encrypt(user_password="secret", algorithm="AES-256")
with open("encrypted_rotated.pdf", "wb") as f:
    writer.write(f)

说明：

• 读取元数据和文本。
• 合并两个 PDF。
• 旋转页面并加密输出。

---

8. 资源与文档

• 官方文档：https://pypdf.readthedocs.io/
• GitHub 仓库：https://github.com/py-pdf/pypdf
• PyPI 页面：https://pypi.org/project/pypdf/
• 教程：https://pypdf.readthedocs.io/en/stable/user/introduction.html
• 迁移指南（从 PyPDF2）：https://pypdf.readthedocs.io/en/stable/user/migration.html