用Python处理PDF

本文转载自蛰虫始航 ，详情可以扫描下方二维码： 

PDF作为可移植文档格式(Portable Document Format)，在日常生活中经常接触到，最近处理一些数据更是频繁接触一些需要批量处理pdf文件的需求，因此便想整理一下自己实践的用Python处理PDF格式数据的笔记。本文会保持更新。PDF处理的高频需求有：读取、写入、格式转换（pdf提取文本写入txt、根据url写入pdf等） 、批处理（多个pdf合并为1个、切分pdf）等等。查了下相关资料，Python操作PDF的库有（只是应用的话肯定不至于造轮子从二进制数据开始读）：pdfminer、pdfminer3k、PyPDF、PyPDF2、pdf2htmlex、pdf2image、pdf2xlsx等。

可用的pdf库

用pdf2合并和切分PDF

比较几个库之后打算先从PyPDF2快速实现一些功能。其官方文档为PyPDF2 Documentation^[1]，根据文档，PDF2库包含了 PdfFileReader PdfFileMerger PageObject PdfFileWriter 四个常用的主要的调用类，意思也很明确。先用pip install PyPDF2安装库。

批量合并pdf

import os	
from PyPDF2 import PdfFileReader, PdfFileWriter #导入需要的类（库）	
wp='D:/doc_of_pdf/' #work_path	

	
#合并同一个文件夹下的pdf文件	
flst=[] #获得pdf文件路径	
for root, dirs, files in os.walk(wp):	
    flst=files	
flst=[wp+f for f in flst]	
out_pdf=PdfFileWriter()	
for pf in flst:	
    in_pdf=PdfFileReader(open(pf, 'rb')) #二进制打开	
    page_count=in_pdf.getNumPages() #输入pdf的页数	
    for pc in range(page_count): 	
        out_pdf.addPage(in_pdf.getPage(pc)) #逐页循环	
with open(wp+'合并笔记_1-3章.pdf','wb') as wf:	
    out_pdf.write(wf)	
#out_pdf.getNumPages()

执行前后对比

切分pdf为多个pdf

#将一个pdf文件根据一定规则切分为多个	

	
sc_pdf=PdfFileReader(open(flst[0], 'rb')) #对第一章笔记进行处理	
count_sc=sc_pdf.getNumPages()	
#每7页切分为1个PDF文件	
out_pdf=PdfFileWriter() #用以输出pdf	
for c in range(count_sc):	
    if c%7==0 and c>0:	
        with open(wp+'切分_{0}.pdf'.format(c),'wb') as wf:	
            out_pdf.write(wf)	
        out_pdf=PdfFileWriter() #重建一个空对象	
    else:	
        out_pdf.addPage(sc_pdf.getPage(c))

切分测试结果截图

通过上面的实践，可以看到实现这几个需求高频使用到的方法就是新建一个Reader或Writer对象，通过.getNumPages()获取一共的页码，通过.getPage(page)获取特定页，.addPage()写入页码。

图片转PDF

#单张图片转pdf	
from PIL import Image	
from PyPDF2 import PdfFileReader, PdfFileWriter	
img = Image.open('D:/docOfStu/pypdf2-mindmap-01.JPG')	
img.save('D:/docOfStu/pypdf2-mindmap-01.pdf', 'PDF') #通过PIL库保存为pdf格式	

	
#多张图片转pdf	
ilst=['D:/docOfStu/pypdf2-mindmap-01.jpg','D:/docOfStu/pypdf2-mindmap-02.jpg'] #图片列表 	
# for root, dirs, files in os.walk(wpt): ilst=files  #也可以通过os.walk(wpt) 读取文件夹wpt下所有图片	
out_pdf=PdfFileWriter()	
for f in ilst:	
    img = Image.open(f)	
    fw=f.replace('.jpg','.pdf')	
    img.save(fw)	
    out_pdf.appendPagesFromReader(PdfFileReader(open(fw,'rb'))) #也可拆这句为 sc_pdf=PdfFileReader(open(fw,'rb')); out_pdf.addPage(sc_pdf.getPage(0))	
out_pdf.write(open('D:/docOfStu/pypdf2-mindmap-04.pdf','wb'))

图片转pdf对比效果

页面处理

过滤pdf中的的特定页面，只保留特定页面；另一方面，给pdf文件添加特定页面；

代码同步更新于：https://github.com/QLWeilcf/ Stack_lcf/blob/master/pdfProccWithpy.ipynb。