【python 让繁琐工作自动化】处理PDF

从PDF提取文本

import PyPDF2,os  #导入PyPDF2模块
os.chdir('D:/python/python编程快速上手-让繁琐的工作自动化/处理PDF')
pdfObj=open('meetingminutes.pdf','rb') 
#以二进制模式打开.pdf文件，并保存在pdfObj对象中
pdfReader=PyPDF2.PdfFileReader(pdfObj)
#调用PdfFileReader()方法，传入pdfObj作为参数，生成PdfFileReader对象，保存在pdfReader中
pageNum=pdfReader.numPages
#numPages属性，返回该文档的总页数变量类型为int
pageObj=pdfReader.getPage(1)
#为了从某一页中提取文本，需要获得该页的Page对象
#调用PdfFileReader对象的getPage()方法，传入页码作为参数，获取文件的特定页的Page对象
#页码的编号从0开始，也就是第一页的编号为0
txt=pageObj.extractText()
#调用Page对象的extractText()方法，可以返回该页所有文本的字符串

解密PDF

import PyPDF2,os
os.chdir('D:/python/python编程快速上手-让繁琐的工作自动化/处理PDF和word文档')
pdfReader=PyPDF2.PdfFileReader(open('encrypted.pdf','rb'))

x=pdfReader.isEncrypted
##利用pdfReader对象的isEncrypted属性判断文档是否被加密
#加密返回True，未加密返回False
y=pdfReader.decrypt('rosebud')
#调用pdfReader对象的decrypt()函数，传入字符串密码作为参数
#解密成功返回1，反之返回0
pageObj=pdfReader.getPage(0)
##解密成功之后就可以调用函数来读取文件，未解密的情况下会报错

PdfFileReader 对象的属性和方法

属性和方法	描述	返回数据类型
getDocumentInfo()	检索 PDF 文件的文档信息	字典
getNumPages()或numPages	计算此 PDF 文件中的页数	int
getOutlines(node = None,outline = None,)	检索文档中出现的文档大纲	目标嵌套列表
getPage(pageNumber)	从这个 PDF 文件中检索指定编号的页面	Page对象
getPageLayout()	获取页面布局	str:当前正在使用的页面布局，如果未指定None
getPageMode()	获取页面模式	str:当前正在使用的页面模式，如果未指定None
getPageNumber(pageObject)	检索给定 pageObject 处于的页码	int
isEncrypted	显示 PDF 文件是否加密的属性	加密返回True，未加密返回False
decrypt(password)	解密PDF文件	解密成功返回1，反之返回0

创建PDF

PdfFileWriter对象

属性和方法	参数	描述	返回值	返回数据类型	错误
addBlankPage（width = None，height = None ）	width（float）–以默认用户空间单位表示的新页面的宽度。 height（float）–以默认用户空间单位表示的新页面的高度。	将空白页附加到此PDF文件并返回。如果未指定页面大小，请使用最后一页的大小。	新添加的页面	PageObject	引发PageSizeNotDefinedError：如果未定义宽度和高度，并且上一页不存在。
addPage(page)	（PageObject）–要添加到文档的页面	将页面添加到此PDF文件。该页面通常是从PdfFileReader实例获取的
insertPage（page，index = 0 ）	page（PageObject）–要添加到文档的页面。此参数应为的实例PageObject。index（int）–插入页面的位置。	在此PDF文件中插入页面。该页面通常是从PdfFileReader实例获取的
insertBlankPage（width = None，height = None，index = 0 ）	width（float）–以默认用户空间单位表示的新页面的宽度。height（float）–以默认用户空间单位表示的新页面的高度。index（int）–添加页面的位置。	将空白页插入此PDF文件并返回。如果未指定页面大小，使用最后一页的大小	新添加的页面	PageObject	引发PageSizeNotDefinedError：如果未定义宽度和高度，并且上一页不存在。
encrypt（user_pwd，owner_pwd = None，use_128bit = True ）	user_pwd（str）–“用户密码”，允许使用提供的限制打开和阅读PDF文件。owner_pwd（str）–“所有者密码”，它允许无限制地打开PDF文件。默认情况下，所有者密码与用户密码相同。use_128bit（bool）–是否使用128位加密的标志。如果为false，将使用40位加密。默认情况下，此标志为开。	使用PDF Standard加密处理程序对该PDF文件进行加密。

将文件中的页面添加到新文件

import PyPDF2,os
os.chdir('D:/python/python编程快速上手-让繁琐的工作自动化/处理PDF和word文档')

pdfWrite=PyPDF2.PdfFileWriter()
#创建一个PdfFileWriter对象
def addpage(s):
    pdfReader=PyPDF2.PdfFileReader(open(s,'rb'))#打开一个pdf文件
    for pageNum in range(pdfReader.getNumPages()):
        PageObj=pdfReader.getPage(pageNum)
         #从打开的pdf文件中获取页面(Page对象)
        pdfWrite.addPage(PageObj)
        #使用addPage()方法将Page对象添加到新的PdfFileWriter对象中
addpage('meetingminutes.pdf')
addpage('meetingminutes2.pdf')
pdfFile=open('combinedminutes.pdf','wb')
#创建一个新的pdf文件，以二进制写的方式打开
pdfWrite.write(pdfFile)
#将新的pdf文件(pdfFile)传递给PdfFileWriter对象的write()方法，即写入一个新的pdf文件
pdfFile.close()

加密PDF

import PyPDF2,os
os.chdir('D:/python/python编程快速上手-让繁琐的工作自动化/处理PDF和word文档')

pdfReader=PyPDF2.PdfFileReader(open('meetingminutes.pdf','rb'))
pdfWrite=PyPDF2.PdfFileWriter()
for pageNum in range(pdfReader.getNumPages()):
    pdfWrite.addPage(pdfReader.getPage(pageNum))
    #将meetingminutes.pdf文件中的每一页都添加到PdfFileWriter对象中
pdfWrite.encrypt('123456')
#对PdfFileWriter对象加密，密码为123456，encrypt只传入一个参数，将作为用户口令和所有者口令
pdfFile=open('encrypt_test.pdf','wb')
pdfWrite.write(pdfFile)
#将PdfFileWriter对象写入新文件并保存
pdfFile.close()

编辑PDF

Page对象

属性和方法	参数	描述
extractText（）	无	按照在内容流中提供的顺序找到所有文本绘制命令，然后提取文本。这对于某些PDF文件效果很好，但对其他PDF文件效果不佳，具体取决于所使用的生成器
rotateClockwise(angle)	angle（int）–旋转页面的角度。必须以90度为增量	将页面顺时针旋转90度
rotateCounterClockwise(angle)	angle（int）–旋转页面的角度。必须以90度为增量	将页面逆时针旋转90度
mergePage（page2 ）	page2（PageObject）–要合并到此页面中的页面，应该是的实例PageObject	将两个页面的内容流合并为一个
scale(sx, sy)	sx（float）–水平轴上的缩放比例。sy（float）–垂直轴上的缩放比例。	更新页面大小，以给定的因子缩放页面
scaleBy(factor)	factor（float）–缩放因子（对于X和Y轴）	更新页面大小，可以按给定因子缩放页面
scaleTo(width, height)	width（float）–新的宽度。height（float）–新的高度。	更新页面大小，将页面缩放到指定的尺寸

旋转页面

import PyPDF2,os
os.chdir('D:/python/python编程快速上手-让繁琐的工作自动化/处理PDF和word文档')

pdfReader=PyPDF2.PdfFileReader(open('meetingminutes.pdf','rb'))
page=pdfReader.getPage(0)
page.rotateClockwise(90)
#将获取的页面顺时针旋转90°
#只是将Page对象的属性改变，并不会改变原文件
pdfWrite=PyPDF2.PdfFileWriter()
pdfWrite.addPage(page)
pdfFile=open('Rotate_test.pdf','wb')
pdfWrite.write(pdfFile)
#将旋转后的页面写入新文档，从而得到保存
pdfFile.close()

叠加页面

import PyPDF2,os
os.chdir('D:/python/python编程快速上手-让繁琐的工作自动化/处理PDF和word文档')

pdfReader=PyPDF2.PdfFileReader(open('meetingminutes.pdf','rb'))
page=pdfReader.getPage(0)
#获取pdf文件的第一页
pdfWaterMarkReader=PyPDF2.PdfFileReader(open('watermark.pdf','rb'))
#获取watermark.pdf文件的第一页作为要合并的页面
page.mergePage(pdfWaterMarkReader.getPage(0))
#将watermark.pdf文件的第一页合并到meetingminutes.pdf的第一页
pdfWrite=PyPDF2.PdfFileWriter()
pdfWrite.addPage(page)
pdfFile=open('meragePage_test.pdf','wb')
pdfWrite.write(pdfFile)
#将合并后的Page对象添加到PdfFileWriter对象并保存到新文件中
pdfFile.close()