细节知识
- Python
- Reportlab
PyPDF2包
PyPDF2软件包是一个纯Python PDF库,可用于拆分,合并,裁剪和转换PDF中的页面。 根据PyPDF2网站,您也可以使用PyPDF2向PDF添加数据,查看选项和密码。 最后,您可以使用PyPDF2从PDF中提取文本和元数据。
PyPDF2实际上是Mathiew Fenniak编写并于2005年发布的原始pyPdf的分支。但是,最初的pyPdf的最新发布是在2014年。一家名为Phaseit,Inc的公司与Mathieu进行了交谈,最终赞助了PyPDF2作为pyPdf的分支。
在撰写本书时,PyPDF2软件包自2016年以来还没有发布过。但是,它仍然是一个坚实而有用的软件包,值得您学习。
本文包含以下内容:
- 提取元数据
- 分割文档
- 合并PDF文件
- 旋转页面
- 叠加/水印页面
- 加密/解密
安装
PyPDF2是一个纯Python软件包,因此您可以使用pip进行安装(假设pip位于系统路径中):
python -m pip install pypdf2 |
像往常一样,您应该将第3方Python软件包安装到Python虚拟环境中,以确保它按照您希望的方式工作。
提取元数据
您可以使用PyPDF2从任何PDF中提取大量有用的数据。 例如,您可以了解文档的作者,文档的标题和主题以及有多少页。
代码略
在这里,我们从PyPDF2导入PdfFileReader类。 此类使我们能够使用各种访问器方法读取PDF并从中提取数据。 我们要做的第一件事是创建我们自己的get_info函数,该函数接受PDF文件路径作为唯一参数。 然后,我们以只读二进制模式打开文件。 接下来,我们将该文件处理程序传递给PdfFileReader并创建它的实例。
现在,我们可以使用getDocumentInfo方法从PDF中提取一些信息。 这将返回PyPDF2.pdf.DocumentInformation的实例,该实例具有以下有用的属性,其中包括:
authorcreatorproducersubjecttitle |
如果打印出DocumentInformation对象,将看到以下内容:
{'/Author': 'Michael Driscoll','/CreationDate': 'D:20180331023901-00'00'','/Creator': 'LaTeX with hyperref package','/Producer': 'XeTeX 0.99998','/Title': 'ReportLab - PDF Processing with Python'} |
我们还可以通过调用getNumPages方法获取PDF中的页数。
提取文本
PyPDF2对从PDF提取文本的支持有限。 不幸的是,它没有内置的提取图像的支持。
让我们尝试从上一部分中下载的PDF的第一页中提取文本:
参阅
Python使用Reportlab处理PDF数据 - PyPDF2包 | pdfrw包 | PyFPDF包viadean.com