python处理pdf文件_在Python中操作PDF文件

你们一定都熟悉PDF是什么。实际上，它们是最重要且使用最广泛的数字媒体之一。 PDF代表可移植文档格式。 它使用.pdf扩展名。 它用于可靠地显示和交换文档，而与软件，硬件或操作系统无关。

PDF由Adobe发明，现在是国际标准化组织（ISO）维护的开放标准。 PDF可以包含链接和按钮，表单字段，音频，视频和业务逻辑。

在本文中，我们将学习如何执行各种操作，例如：

从PDF提取文本

旋转PDF页面

分割PDF

使用简单的Python脚本！

安装

我们将使用第三方模块PyPDF2。

PyPDF2是一个构建为PDF工具包的python库。 它具有以下能力：

提取文档信息（标题，作者等）

逐页拆分文档

逐页合并文档

裁剪页面

将多个页面合并为一个页面

加密和解密PDF文件

以及更多！

要安装PyPDF2，请从命令行运行以下命令：

pip install PyPDF2

此模块名称区分大小写，因此请确保y为小写，其他所有内容均为大写。 本教程/文章中使用的所有代码和PDF文件都在这里。

1.从PDF文件中提取文本

# 导入所需的模块

import PyPDF2

# 创建一个pdf文件对象

pdfFileObj = open('linuxidc.pdf', 'rb')

# 创建一个PDF阅读器对象

pdfReader = PyPDF2.PdfFileReader(pdfFileObj)

# 在pdf文件中打印页数

print(pdfReader.numPages)

# 创建页面对象

pageObj = pdfReader.getPage(0)

# 从页面提取文本

print(pageObj.extractText())

# 关闭pdf文件对象

pdfFileObj.close()

让我们尝试以块的形式理解上面的代码：

pdfFileObj = open('linuxidc.pdf', 'rb')

我们以二进制模式打开linuxidc.pdf。并将文件对象另存为pdfFileObj。

pdfReader = PyPDF2.PdfFileReader(pdfFileObj)

在这里，我们创建PyPDF2模块的PdfFileReader类的对象，并传递pdf文件对象并获得pdf阅读器对象。

print(pdfReader.numPages)

numPages属性提供pdf文件中的页数。例如，在我们的例子中，它是455（请参见输出的第一行）。

pageObj = pdfReader.getPage(0)

现在，我们创建一个PyPDF2模块的PageObject类的对象。 pdf阅读器对象具有getPage()函数，该函数将页码（起始索引为0）作为参数并返回该页对象。

print(pageObj.extractText())

Page object具有函数extractText()，用于从pdf页面中提取文本。

pdfFileObj.close()

最后，我们关闭pdf文件对象。

注意：虽然PDF文件非常适合以易于人们打印和阅读的方式来布置文本，但要用软件将其解析为纯文本并不是一件容易的事。因此，从PDF提取文本时，PyPDF2可能会出错，甚至根本无法打开某些PDF。不幸的是，您对此无能为力。 PyPDF2可能无法使用某些特定的PDF文件。

2、旋转PDF页面

# 导入所需的模块

import PyPDF2

def PDFrotate(origFileName, newFileName, rotation):

# 创建原始pdf的pdf文件对象

pdfFileObj = open(origFileName, 'rb')

# 创建一个pdf阅读器对象

pdfReader = PyPDF2.PdfFileReader(pdfFileObj)

# 为新pdf创建pdf写入器对象

pdfWriter = PyPDF2.PdfFileWriter()

# 旋转每一页

for page in range(pdfReader.numPages):

# 创建旋转的页面对象

pageObj = pdfReader.getPage(page)

pageObj.rotateClockwise(rotation)

# 将旋转后的页对象添加到pdf写入器

pdfWriter.addPage(pageObj)

# 新的pdf文件对象

newFile = open(newFileName, 'wb')

# 将旋转的页面写入新文件

pdfWriter.write(newFile)

# 关闭原始的pdf文件对象

pdfFileObj.close()

# 关闭新的pdf文件对象

newFile.close()

def main():

# 原始pdf文件名

origFileName = 'linuxidc.pdf'

# 新的pdf文件名

newFileName = 'linuxidc.com.pdf'

#旋转角度

rotation = 270

#调用PDFrotate函数

PDFrotate(origFileName, newFileName, rotation)

if __name__ == "__main__":

# 调用main函数

main()

在这里，您可以看到旋转后的linuxidc.com.pdf第一页的样子（右图）：

与上述代码有关的一些重要点：

对于旋转，我们首先创建原始pdf的pdf阅读器对象。

pdfWriter = PyPDF2.PdfFileWriter()

旋转的页面将被写入新的pdf。为了写入pdf，我们使用PyPDF2模块的PdfFileWriter类的对象。

for page in range(pdfReader.numPages):

pageObj = pdfReader.getPage(page)

pageObj.rotateClockwise(rotation)

pdfWriter.addPage(pageObj)

现在，我们迭代原始pdf的每一页。我们通过pdf阅读器类的getPage（）方法获取页面对象。现在，我们通过页面对象类的rotationClockwise（）方法旋转页面。然后，通过传递旋转的页面对象，使用pdf writer类的addPage（）方法将页面添加到pdf writer对象。

newFile = open(newFileName, 'wb')

pdfWriter.write(newFile)

pdfFileObj.close()

newFile.close()

现在，我们必须将pdf页面写入新的pdf文件。首先，我们打开新文件对象，并使用pdf writer对象的write（）方法向其中写入pdf页面。最后，我们关闭原始的pdf文件对象和新的文件对象。

3、分割PDF文件

# 导入所需的模块

import PyPDF2

def PDFsplit(pdf, splits):

# 创建输入pdf文件对象

pdfFileObj = open(pdf, 'rb')

# 创建pdf阅读器对象

pdfReader = PyPDF2.PdfFileReader(pdfFileObj)

# 第一切片的起始索引

start = 0

# 最后一个切片的起始索引

end = splits[0]

for i in range(len(splits)+1):

# 为第（i + 1）个拆分创建pdf写入器对象

pdfWriter = PyPDF2.PdfFileWriter()

# 输出pdf文件名

outputpdf = pdf.split('.pdf')[0] + str(i) + '.pdf'

# 将页添加到pdf写入器对象

for page in range(start,end):

pdfWriter.addPage(pdfReader.getPage(page))

# 将分割的pdf页面写入pdf文件

with open(outputpdf, "wb") as f:

pdfWriter.write(f)

# 交换页面拆分开始位置以进行下一个拆分

start = end

try:

# 设置下一个拆分的拆分结束位置

end = splits[i+1]

except IndexError:

# 设置最后分割的分割结束位置

end = pdfReader.numPages

# 关闭输入的pdf文件对象

pdfFileObj.close()

def main():

# pdf文件分割

pdf = 'linuxidc.pdf'

# 分割页面位置

splits = [2,4]

# 调用PDFsplit函数拆分pdf

PDFsplit(pdf, splits)

if __name__ == "__main__":

# 调用main函数

main()

输出将是三个新的PDF文件，分别为拆分1（第0,1页），拆分2（第2,3页），拆分3（第4页末尾）。

上面的Python程序中没有使用新的函数或类。 使用简单的逻辑和迭代，我们根据传递的列表拆分创建了传递的pdf拆分。