Python处理PDF的实用姿势

最新推荐文章于 2024-04-26 01:45:18 发布

程一初

最新推荐文章于 2024-04-26 01:45:18 发布

阅读量801

点赞数 2

分类专栏：自动化办公文章标签： python

本文链接：https://blog.csdn.net/weixin_42242090/article/details/108193458

版权

本文介绍了Python处理PDF的三个主要模块：PyPDF2、pdfminer.six和pdfplumber。PyPDF2适用于页面级操作，如合并、分割、旋转和加解密；pdfminer.six适合复杂内容处理，而pdfplumber则提供便捷的内容抽取接口。内容包括提取文字、表格、图片和图表等。

摘要由CSDN通过智能技术生成

你不懂得安排自己的人生，会有很多人帮你安排，他们需要你做的事。

PDF文件我们经常用，尤其是这两个场景：

下载参考资料，如各类报告、文档
分享只读资料，方便传播同时保留源文件

场景和模块

所以，对于PDF文件，常见的需求也就是两类：

处理文件本身，属于文件页面级操作，如合并/分拆PDF页面、加/解密、加/去水印；
处理文件内容，属于内容级操作，如提取文字、表格数据、图表等。

目前Python用于处理PDF的模块，主要有3个：

PyPDF2：模块成熟，最后一次更新在2年前，适合页面级操作，文字提取效果较差。
PDFMiner：擅长文字抽取，目前主分支已停止维护，取而代之的是pdfminer.six
pdfplumber：基于pdfminer.six的文本内容抽取工具，使用门槛更低，如支持表格提取。

实战中，可以根据需求的类型选择模块。如果是页面级的操作，就用PyPDF2，如果需要内容抽取，优先使用pdfplumber。

对应的模块安装：

pip install pypdf2
pip install pdfminer.six
pip install pdfplumber

下面按使用场景演示3个模块的使用。

PyPDF2

PyPDF2的主要能力在页面级操作，比如：

获取PDF文档基本信息
PDF分割及合并
PDF的旋转及排序
PDF加水印及去水印
PDF加密及解密

PyPDF2的核心两个类是PdfFileReader和PdfFileWriter，完成PDF文件的读写操作。

获取PDF文档基本信息

import pathlib
from PyPDF2 import PdfFileReader

path = list(pathlib.Path.cwd().parents)[1].joinpath('data/automate/002pdf')
f_path = path.joinpath('2020-新冠肺炎疫情对中国连锁餐饮行业的影响调研报告-中国连锁经营协会.pdf')
with open(f_path, 'rb') as f:
    pdf = PdfFileReader(f)
    info = pdf.getDocumentInfo()
    cnt_page = pdf.getNumPages()
    is_encrypt = pdf.getIsEncrypted()
print(f'''
作者: {info.author}
创建者: {info.creator}
制作者: {info.producer}
主题: {info.subject}
标题: {info.title}
总页数: {cnt_page}
是否加密: {is_encrypt}
''')

PDF分割及合并

import pathlib
from PyPDF2 import PdfFileReader, PdfFileWriter

path = list(pathlib.Path.cwd().parents)[1].joinpath('data/automate/002pdf')
f_path = path.joinpath('2020-新冠肺炎疫情对中国连锁餐饮行业的影响调研报告-中国连锁经营协会.pdf')
out_path = path.joinpath('002pdf_split_merge.pdf')
out_path_1 = path.joinpath('002pdf_split_half_front.pdf')
out_path_2 = path.joinpath('002pdf_split_half_back.pdf')
# 把文件分为两半
with open(f_path, 'rb') as f, open(out_path_1, 'wb') as f_out1, open(out_path_2, 'wb') as f_out2:
    pdf = PdfFileReader(f)
    pdf_out1 = PdfFileWriter()
    pdf_out2 = PdfFileWriter()
    cnt_pages = pdf.getNumPages()
    print(f'共 {cnt_pages} 页')
    for i in range(cnt_pages):
        if i <= cnt_pages //2:
            pdf_out1.addPage(pdf.getPage(i))
        else:
            pdf_out2.addPage(pdf.getPage(i))
    pdf_out1.write(f_out1)
    pdf_out2.write(f_out2)
# 再把后半个文件与前半个文件合并，后半个文件在前
with open(out_path, 'wb') as f_out:
    cnt_f, cnt_b = pdf_out1.getNumPages(), pdf_out2.getNumPages()
    pdf_out = PdfFileWriter()
    for i in range