python pdf获取页面大小（高度、宽度）

问题描述

如题，获取PDF页面的高度和宽度，这里仅获取首页的高度和宽度

解决方案

两种解决方案，分别通过 pdfplumber 和 PyPDF2 两个包来实现

方案1

import time
import pdfplumber

path = 'E:/data/DT_test/PDF_test/all_type.pdf'

def run(path):
    with pdfplumber.open(path) as pdf:
        page_1 = pdf.pages[0]
        return page_1.height, page_1.width 
    
start = time.time()
height, width = run(path)
print('height: %s, width: %s'%(height, width)) #height: 841.920, width: 595.200
print('cost time:', time.time()-start) #cost time: 0.07300710678100586

方案2

import time
from PyPDF2 import PdfFileReader

path = 'E:/data/DT_test/PDF_test/all_type.pdf'

def run(path):
    pdf = PdfFileReader(open(path, 'rb'))
    page_1 = pdf.getPage(0)
    if page_1.get('/Rotate', 0) in [90, 270]:
        return page_1['/MediaBox'][2], page_1['/MediaBox'][3]
    else:
        return page_1['/MediaBox'][3], page_1['/MediaBox'][2]

start = time.time()
height, width = run(path)
print('height: %s, width: %s'%(height, width)) #height: 841.92, width: 595.2
print('cost time:', time.time()-start) #cost time: 0.007000923156738281

通过 PyPDF2 解析PDF文档可能会遇到文件加密无法解析的情况，可通过 pdf.isEncrypted 判断文件是否加密，加密为True，未加密为False，加密文件可通过以下命令先解密再提取

qpdf --decrypt file_path new_file_path

结论

暂且找到这两种提取方法，pdfplumber方法简单，但效率低，文件越大耗时越大；PyPDF2 方法稍显复杂，但效率较高，文件增大对提取时间影响不大。