python如何编辑pdf_用Python实现一款永久免费的PDF编辑工具

前言：PDF（Portable Document Format），中文名称便携文档格式是我们经常会接触到的一种文件格式，文献、文档...很多都是PDF格式。它以格式稳定的优势，使得我们在打印、分享、传输过程中能够最优的保持原有色彩和格式。

但是在可编辑性方面却为使用者引入了另外一个困扰。

曾经，为了替换PDF中的一页，我几乎试遍了所有市面上主流的PDF工具，最终还是不得不选择使用付费工具来解决问题。

事后想了想，既然这些商业化软件不靠谱，为什么不考虑自己动手开发一款工具呢？明明几十行代码能够解决的问题，为什么要费那么多劲去下载、安装那些没有节操的软件呢？

本文就来介绍一下利用Python轻松开发一款PDF编辑工具，可以用于PDF转TxT、分割、合并、剪切、转换。

有请主角登场 PyPDF2 和 pdfminer3k

PyPDF2

简介：由纯 Python 构建的PDF 工具包。它能够：提取文档信息（标题、作者等）

一页拆分文档

按页合并文档

裁剪页面

将多个页面合并到单个页面中

加密和解密 PDF 文件

安装

直接使用pip安装pip install PyPDF2

代码操作简单的读写PDF操作from PyPDF2 import PdfFileReader, PdfFileWriter

infn = 'infn.pdf'

outfn = 'outfn.pdf'

# 获取一个 PdfFileReader 对象

pdf_input = PdfFileReader(open(infn, 'rb'))

# 获取PDF 的基本信息

information =pdf_input.getDocumentInfo()

print(information)

# 获取 PDF 的页数

page_count = pdf_input.getNumPages()

print(page_count)

# 返回一个 PageObject

page = pdf_input.getPage(i)

# 获取一个 PdfFileWriter 对象

pdf_output = PdfFileWriter()

# 将一个 PageObject 加入到 PdfFileWriter 中

pdf_output.addPage(page)

# 输出到文件中

pdf_output.write(open(outfn, 'wb'))删除PDF页from PyPDF2 import PdfFileWriter, PdfFileReader

# 实例化一个输出的PDF实例

output = PdfFileWriter()

# 读取一个PDF文件

input1 = PdfFileReader(open("example.pdf", "rb"))

# 要删除的操作

def delete_pdf(index):

pages = input1.getNumPages()

# 循环删除

for i in range(pages):

if i+1 in index:

continue

output.addPage(input1.getPage(i))

outputStream = open("PyPDF2-output.pdf", "wb")

output.write(outputStream)

delete_pdf([2,3,4])合并PDFrom PyPDF2 import PdfFileWriter, PdfFileReader

output = PdfFileWriter()

input1 = PdfFileReader(open("example.pdf", "rb"))

input2 = PdfFileReader(open("simple2.pdf", "rb")) // 1

def merge_pdf(add_index, origin_index):

pages = input1.getNumPages()

k = 0

for i in range(pages):

if i+1 in add_index:

output.addPage(input2.getPage(origin_index[k])) // 2

pages += 1

k += 1

output.addPage(input1.getPage(i))

outputStream = open("PyPDF2-output.pdf", "wb")

output.write(outputStream)

merge_pdf([2,3,4], [0, 0, 0])旋转# 旋转90度

input1.getPage(1).rotateClockwise(90)添加水印page = input1.getPage(3)

watermark = PdfFileReader(open("watermark.pdf", "rb"))

page.mergePage(watermark.getPage(0))加密password = "secret"

output.encrypt(password)解密print(output.decrypt('secret'))# secret==正确口令显示1，其他显示0

page_obj= output.getPage(0)# 这样才能正确读取

print(page_obj.extractText())

pdfminer3k简介

pdfminer3k 是一个 Python 3 端口的 pdfminer 。PDFMiner 是一个从 PDF 文档中提取信息的工具。与其他与 PDF 相关的工具不同，它完全侧重于获取和分析文本数据。PDFMiner 允许获取页面中文本的确切位置，以及其他信息，如字体或线条。它包括一个 PDF 转换器，可以将 PDF 文件转换为其他文本格式（如 HTML）。它有一个可扩展的PDF解析器，可用于其他目的，而不是文本分析能够准确获取文本的位置和布局信息；

可以将PDF转换为HTML/XML等格式；

可以提取目录；

可以提取标签内容；

支持各种字体类型（Type1、TrueType、Type3和CID）;

支持中、日、韩语言和垂直书写文本;

安装pip install pdfminer3k文件的操作from urllib.request import urlopen

from pdfminer.converter import PDFPageAggregator

from pdfminer.layout import LAParams

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter

from pdfminer.pdfparser import PDFParser, PDFDocument

logging.Logger.propagate = False

logging.getLogger().setLevel(logging.ERROR)

fp = open('template/pdftest.pdf', 'rb')

# 在线

# fp = urlopen('http://---/---.pdf')

# 创建一个与文档关联的解析器

parser = PDFParser(fp)

# PDF文档对象

doc = PDFDocument()

#创建pdf文档对象，存储文档结构

document = PDFDocument(parser, password)

# 链接解析器和文档对象

parser.set_document(doc)

doc.set_parser(parser)

# 初始化文档

doc.initialize("")

# 创建DPF资源管理器

resource = PDFResourceManager()

# 参数分析器

laparam = LAParams()

# 聚合器

device = PDFPageAggregator(resource, laparams=laparam)

# 创建页面解析器

interpreter = PDFPageInterpreter(resource, device)

# 使用文档对象从pdf中读取内容

for page in doc.get_pages():

# 使用页面解析器

interpreter.process_page(page)

# 使用聚合器获取内容

layout = device.get_result()

for text_obj in layout:

# 判断是否有get_text属性

if hasattr(text_obj, 'get_text'):

print(text_obj.get_text())# 处理包含在文档中的每一页

for page in PDFPage.create_pages(document):

interpreter.process_page(page)

layout = device.get_result()

for x in layout:

# 获取文本对象

if isinstance(x, LTTextBox):

print(x.get_text().strip())

# 获取图片对象

if isinstance(x,LTImage):

print('这里获取到一张图片')

# 获取 figure 对象

if isinstance(x,LTFigure):

print('这里获取到一个 figure 对象')

详细的操作可参考 官网：https://github.com/canserhat77/pdfminer3k

总结

通过上述2款Python库，就可以实现从页面到文本元数据的编辑，本文只是简单的介绍了每项的基本用法。关于详细的用法和函数列表，可以阅读官方文档，或者阅读GitHub上项目源码进行了解。