Django项目实战: Django + PyPDF2实现PDF页面提取和PDF文件输出

在日常工作中我们经常需要从一个大的PDF文档中提取我们所需要的页面,所以今天我们将教你用Django + PyPDF2开发个小Web应用: 用户上传一个PDF文档,输入需要提取的页面号码,点击确定后浏览器会自动给用户返回想提取的PDF页面。如果你要练习这个项目,你首先要确保已安装Django 2.X + Python 3.X。如果你还没有安装PyPDF2,可以通过pip install PyPDF2安装好这个第三方包。如果你喜欢我们的原创文章,欢迎关注我们的微信公众号【Python与Django大咖之路】。


项目开发总体思路

我们的开发思路是这样子的。我们设计一个表单,让用户上传PDF文件和输入提取页面号码。服务器在收到PDF文件后使用PyPDF2读取用户上传的PDF文件,提取我们所需要的页面,然后通过HttpResponse将这个新生成的PDF文件通过浏览器返回给客户。


因为这个应用很简单,我们只需要开发一个功能性页面,也不需要建立什么模型Models。重点要编写的是视图views.py, 用来处理用户的请求。


第一步 创建项目,设计URL

在CMD终端里输入python manage.py startapp pdf创建一个叫pdf的app,然后把这个app加入到你的myproject/settings.pyINSTALLED_APPS去。

#myproject/settings.py


INSTALLED_APPS = [
'django.contrib.admin',
   
'django.contrib.auth',
   
'django.contrib.contenttypes',
   
'django.contrib.sessions',
   
'django.contrib.messages',
   
'django.contrib.staticfiles',
   
'pdf',
]

在pdf文件目录下创建一个urls.py, 添加如下代码。更多URL编写知识见Django核心技术基础(2): URL的设计与配置。

# pdf/urls.py

from django.urls import path
from . import views

# namespace
app_name = 'pdf'

urlpatterns = [
   # 上传pdf,用户输入需要提取的页面, 返回需要提取的页面
   
path('extract/', views.pdf_extract, name='pdf_extract'),
]

同时我们应将上述urls加入到myproject/urls.py里去。这样当用户通过浏览器访问/pdf/extract/时,服务器就会调用我们views里的pdf_extract方法来处理用户的请求。

from django.contrib import admin
from django.urls import path, include


# 对于处理静态文件如图片,CSS和文本非常重要
from django.conf import settings
from django.conf.urls.static import static

urlpatterns = [
   path('admin/', admin.site.urls),
   
path('pdf/', include('pdf.urls')),

] + static(settings.MEDIA_URL, document_root=settings.MEDIA_ROOT)


第二步 设计表单forms.py

因为我们在视图view里需要使用到上传文件的表单,所以我们这里先设计表单。这个表单非常简单,只有2个字段。如下所示。

# pdf/forms.py

from django import forms


class PdfUploadForm(forms.Form):
   file = forms.FileField(label="上传PDF文件")
   page = forms.IntegerField(min_value=1, label="输入抓取页码")


第三步 编写视图views.py

视图view是本项目中最重要的部分。其总体思路,我已经在代码中加了很多注释帮你理解。PyPDF2功能强大,可以提取PDF文件里的文字,也可以抓取PDF文件中的某个页面,还可以创建新的PDF文件, 比Django文档里提到的reportlab要好很多。

# pdf/views.py

from django.shortcuts import render
from django.http import HttpResponse
from .forms import PdfUploadForm
import PyPDF2


# Create your views here.
def pdf_extract(request):
   if request.method == 'POST':
       # 如果用户通过POST提交
       
form = PdfUploadForm(request.POST, request.FILES)
       if form.is_valid():
           # 如表单通过验证,获取提取文件页码
           
page_num = int(request.POST.get("page"))
           # pdf文档页码对象编码是从0开始,所以减1
           
page_index = page_num - 1
           
# 获取上传的文件对象
           
f = request.FILES['file']
           
           # 打开上传的文件,写入新PDF文件
           
with open('original.pdf', 'wb+') as pdfFileObj:
               for chunk in f.chunks():
                   pdfFileObj.write(chunk)
               # 利用PyPDF2读取新的PDF文件
               
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
               # 利用PyPDF2提取页码对象
               
pageObj = pdfReader.getPage(page_index)
               # 利用PyPDF2创建新的PDF文件对象
               
pdfWriter = PyPDF2.PdfFileWriter()
               # 添加已读取的页面对象
               
pdfWriter.addPage(pageObj)
               # 将提取页面写入新的PDF文件
               
with open('extracted_pages.pdf', 'wb') as pdfOutputFile:
                   pdfWriter.write(pdfOutputFile)
               # 打开新的PDF文件,通过HttpResponse输出
               
with open('extracted_pages.pdf', 'rb') as pdfExtract:
                   response = HttpResponse(pdfExtract.read(), content_type='application/pdf')
                   response['Content-Disposition'] = 'attachment; filename="extracted_page_{}.pdf"'.format(page_num)
                   return response


else:
       # 如果用户没有通过POST,提交生成空表单
       
form = PdfUploadForm()
       return render(request, 'pdf/pdf_upload.html', {'form': form})

上述代码中最值得需要你注意的地方是我们如何通过HttpReponse将生成的pdf文档返回给用户的。下行代码是最重要的,它不仅读取了打开的pdf文件的内容,还指定了返回内容类型是pdf文件, 否则会出现乱码。

  • response = HttpResponse(pdfExtract.read(), content_type='application/pdf')


第四步 编写模板template

模板文件非常简单,如下所示。我们在pdf文件夹里创建了一个templates文件夹,又在里面创建了一个新的pdf文件夹,然后把模板文件放里面了。至于为什么我们这么布局,请阅读Django项目推荐性的文件与文件夹布局

# pdf/templates/pdf/pdf_upload.html

{% block content %}
<h3>上传pdf文件, 输入页面号码提取页面</h3>
<form
method="post" enctype="multipart/form-data" action="">{% csrf_token %}
   {{ form.as_p }}
   <input type="submit" value="确定" />
</form>
{% endblock %}


第五步 查看效果

现在你在CMD终端里输入python manage.py runserver。在浏览器中打开http://127.0.0.1:8000/pdf/extract/你就可以看到如下效果了。


第六步 想想需要改进的地方

整个项目离实际应用还有许多需要改进的地方,比如:

  • 用户输入的页码超过了PDF文件总页数怎么办?

  • 如果用户上传的不是PDF文件怎么处理?

  • 如果用户想一次提取多个文件怎么办?比如1, 3, 5, 7...


这些问题就留给读者你思考吧,如果有问题,也欢迎给我们留言。

阅读更多
版权声明:本文系大江狗原创,请勿直接copy应用于你的出版物或任何公众平台。 https://blog.csdn.net/weixin_42134789/article/details/80351998
个人分类: Django Python
想对作者说点什么? 我来说一句

没有更多推荐了,返回首页

关闭
关闭
关闭