python数据提取和合并_用Python处理PDF_读写批量合并等

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。

### 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](https://pythonhosted.org/PyPDF2/)，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

```python

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()

```

#### 切分pdf为多个pdf

```python

#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))

```

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。

to be continue…

ps：文章同步于jianshu

## 参考资料