python不可以处理pdf文件_Python实现PyPDF2处理PDF文件的方法示例

实际应用中，可能会涉及处理 pdf 文件，PyPDF2 就是这样一个库，使用它可以轻松的处理 pdf 文件，它提供了读，割，合并，文件转换等多种操作。

文档地址：http://pythonhosted.org/PyPDF2/

PyPDF2 安装

PyCharm 安装：File -> Default Settings -> Project Interpreter

PdfFileReader

构造方法：

PyPDF2.PdfFileReader(stream,strict = True,warndest = None,overwriteWarnings = True)

初始化一个 PdfFileReader 对象，此操作可能需要一些时间，因为 PDF 流的交叉引用表被读入内存。

参数：

stream：*File 对象或支持与 File 对象类似的标准读取和查找方法的对象，也可以是表示 PDF 文件路径的字符串。

*strict（bool）： 确定是否应该警告用户所用的问题，也导致一些可纠正的问题是致命的，默认是 True

warndest : 记录警告的目标(默认是 sys.stderr)

overwriteWarnings(bool)：确定是否 warnings.py 用自定义实现覆盖 Python 模块（默认为 True）

PdfFileReader 对象的属性和方法

属性和方法

描述

getDestinationPageNumber(destination)

检索给定目标对象的页码

getDocumentInfo()

检索 PDF 文件的文档信息字典

getFields(tree = None,retval = None,fileObj= None)

如果此 PDF 包含交互式表单字段，则提取字段数据，

getFormTextFields()

从文档中检索带有文本数据（输入，下拉列表）的表单域

getNameDestinations(tree = None,retval= None)

检索文档中的指定目标

getNumPages()

计算此 PDF 文件中的页数

getOutlines(node = None,outline = None,)

检索文档中出现的文档大纲

getPage(pageNumber)

从这个 PDF 文件中检索指定编号的页面

getPageLayout()

获取页面布局

getPageMode()

获取页面模式

getPageNumber(pageObject)

检索给定 pageObject 处于的页码

getXmpMetadata()

从 PDF 文档根目录中检索 XMP 数据

isEncrypted

显示 PDF 文件是否加密的只读布尔属性

namedDestinations

访问该getNamedDestinations()函数的只读属性

PDF 读取操作：

# encoding:utf-8

from PyPDF2 import PdfFileReader, PdfFileWriter

readFile = 'C:/Users/Administrator/Desktop/RxJava 完全解析.pdf'

# 获取 PdfFileReader 对象

pdfFileReader = PdfFileReader(readFile) # 或者这个方式：pdfFileReader = PdfFileReader(open(readFile, 'rb'))

# 获取 PDF 文件的文档信息

documentInfo = pdfFileReader.getDocumentInfo()

print('documentInfo = %s' % documentInfo)

# 获取页面布局

pageLayout = pdfFileReader.getPageLayout()

print('pageLayout = %s ' % pageLayout)

# 获取页模式

pageMode = pdfFileReader.getPageMode()

print('pageMode = %s' % pageMode)

xmpMetadata = pdfFileReader.getXmpMetadata()

print('xmpMetadata = %s ' % xmpMetadata)

# 获取 pdf 文件页数

pageCount = pdfFileReader.getNumPages()

print('pageCount = %s' % pageCount)

for index in range(0, pageCount):

# 返回指定页编号的 pageObject

pageObj = pdfFileReader.getPage(index)

print('index = %d , pageObj = %s' % (index, type(pageObj))) #

# 获取 pageObject 在 PDF 文档中处于的页码

pageNumber = pdfFileReader.getPageNumber(pageObj)

print('pageNumber = %s ' % pageNumber)

输出结果:

documentInfo = {'/Title': IndirectObject(157, 0), '/Producer': IndirectObject(158, 0), '/Creator': IndirectObject(159, 0), '/CreationDate': IndirectObject(160, 0), '/ModDate': IndirectObject(160, 0), '/Keywords': IndirectObject(161, 0), '/AAPL:Keywords': IndirectObject(162, 0)}

pageLayout = None

pageMode = None

xmpMetadata = None

pageCount = 3

index = 0 , pageObj =

pageNumber = 0

index = 1 , pageObj =

pageNumber = 1

index = 2 , pageObj =

pageNumber = 2

PdfFileWriter

这个类支持 PDF 文件，给出其他类生成的页面。

属性和方法

描述

addAttachment(fname,fdata)

在 PDF 中嵌入文件

addBlankPage(width= None,height=None)

追加一个空白页面到这个 PDF 文件并返回它

addBookmark(title,pagenum,parent=None,

color=None,bold=False,italic=False,fit='/fit,*args')

addJS(javascript)

添加将在打开此 PDF 是启动的 javascript

addLink(pagenum,pagedest,rect,border=None,fit='/fit',*args)

从一个矩形区域添加一个内部链接到指定的页面

addPage(page)

添加一个页面到这个PDF 文件，该页面通常从 PdfFileReader 实例获取

getNumpages()

页数

getPage(pageNumber)

从这个 PDF 文件中检索一个编号的页面

insertBlankPage(width=None,height=None,index=0)

插入一个空白页面到这个 PDF 文件并返回它，如果没有指定页面大小，就使用最后一页的大小

insertPage(page,index=0)

在这个 PDF 文件中插入一个页面，该页面通常从 PdfFileReader 实例获取

removeLinks()

从次数出中删除连接盒注释

removeText(ignoreByteStringObject = False)

从这个输出中删除图像

write(stream)

将添加到此对象的页面集合写入 PDF 文件

PDF 写入操作：

def addBlankpage():

readFile = 'C:/Users/Administrator/Desktop/RxJava 完全解析.pdf'

outFile = 'C:/Users/Administrator/Desktop/copy.pdf'

pdfFileWriter = PdfFileWriter()

# 获取 PdfFileReader 对象

pdfFileReader = PdfFileReader(readFile) # 或者这个方式：pdfFileReader = PdfFileReader(open(readFile, 'rb'))

numPages = pdfFileReader.getNumPages()

for index in range(0, numPages):

pageObj = pdfFileReader.getPage(index)

pdfFileWriter.addPage(pageObj) # 根据每页返回的 PageObject,写入到文件

pdfFileWriter.write(open(outFile, 'wb'))

pdfFileWriter.addBlankPage() # 在文件的最后一页写入一个空白页,保存至文件中

pdfFileWriter.write(open(outFile,'wb'))

结果是：在写入的 copy.pdf 文档的最后最后一页写入了一个空白页。

分割文档（取第五页之后的页面）

def splitPdf():

readFile = 'C:/Users/Administrator/Desktop/RxJava 完全解析.pdf'

outFile = 'C:/Users/Administrator/Desktop/copy.pdf'

pdfFileWriter = PdfFileWriter()

# 获取 PdfFileReader 对象

pdfFileReader = PdfFileReader(readFile) # 或者这个方式：pdfFileReader = PdfFileReader(open(readFile, 'rb'))

# 文档总页数

numPages = pdfFileReader.getNumPages()

if numPages > 5:

# 从第五页之后的页面，输出到一个新的文件中，即分割文档

for index in range(5, numPages):

pageObj = pdfFileReader.getPage(index)

pdfFileWriter.addPage(pageObj)

# 添加完每页，再一起保存至文件中

pdfFileWriter.write(open(outFile, 'wb'))

合并文档

def mergePdf(inFileList, outFile):

'''

合并文档

:param inFileList: 要合并的文档的 list

:param outFile: 合并后的输出文件

:return:

'''

pdfFileWriter = PdfFileWriter()

for inFile in inFileList:

# 依次循环打开要合并文件

pdfReader = PdfFileReader(open(inFile, 'rb'))

numPages = pdfReader.getNumPages()

for index in range(0, numPages):

pageObj = pdfReader.getPage(index)

pdfFileWriter.addPage(pageObj)

# 最后,统一写入到输出文件中

pdfFileWriter.write(open(outFile, 'wb'))

PageObject

PageObject(pdf=None,indirectRef=None)

此类表示 PDF 文件中的单个页面，通常这个对象是通过访问 PdfFileReader 对象的 getPage() 方法来得到的，也可以使用 createBlankPage() 静态方法创建一个空的页面。

参数：

pdf : 页面所属的 PDF 文件。

indirectRef：将源对象的原始间接引用存储在其源 PDF 中。

PageObject 对象的属性和方法

属性或方法

描述

static createBlankPage(pdf=None,width=None,height=None)

返回一个新的空白页面

extractText()

找到所有文本绘图命令，按照他们在内容流中提供的顺序，并提取文本

getContents()

访问页面内容，返回 Contents 对象或 None

rotateClockwise(angle)

顺时针旋转 90 度

scale(sx,sy)

通过向其内容应用转换矩阵并更新页面大小

粗略读取 PDF 文本内容

def getPdfContent(filename):

pdf = PdfFileReader(open(filename, "rb"))

content = ""

for i in range(0, pdf.getNumPages()):

pageObj = pdf.getPage(i)

extractedText = pageObj.extractText()

content += extractedText + "\n"

# return content.encode("ascii", "ignore")

return content

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持我们。

本文标题: Python实现PyPDF2处理PDF文件的方法示例

本文地址: http://www.cppcns.com/jiaoben/python/276171.html