【实用篇】Python操作PDF文件

PDF是Portable Document Format的缩写，这类文件通常使用 .pdf 作为其扩展名。在日常开发工作中，最容易遇到的就是从PDF中读取文本内容以及用已有的内容生成PDF文档这两个任务。

1、从PDF中提取文本

在Python中，可以使用名为 PyPDF2 的三方库来读取PDF文件，可以使用下面的命令来安装它。

pip install PyPDF2

PyPDF2  没有办法从PDF文档中提取图像、图表或其他媒体，但它可以提取文本，并将其返回为Python 字符串。

import PyPDF2

reader = PyPDF2.PdfFileReader('test.pdf')

page = reader.getPage(0)

print(page.extractText())

当然， PyPDF2 并不是什么样的PDF文档都能提取出文字来，这个问题就我所知并没有什么特别好的解决方法，尤其是在提取中文的时候。网上也有很多讲解从PDF中提取文字的文章，推荐大家自行阅读：

《三大神器助力Python提取pdf文档信息》一文进行了解。

要从PDF文件中提取文本也可以直接使用三方的命令行工具，具体的做法如下所示。

pip install pdfminer.six

pdf2text.py test.pdf

2、旋转和叠加页面

上面的代码中通过创建PdfFileReader 对象的方式来读取PDF文档，该对象的 getPage 方法可以获得PDF文档的指定页并得到一个 PageObject 对象，通过PageObject 对象的rotateClockwise 和rotateCounterClockwise 方法可以实现页面的顺时针和逆时针方向旋转，通过PageObject 对象的addBlankPage 方法可以添加一个新的空白页，代码如下所示。

import PyPDF2

from PyPDF2.pdf import PageObject

# 创建一个读PDF文件的Reader对象

reader = PyPDF2.PdfFileReader('resources/XGBoost.pdf')

# 创建一个写PDF文件的Writer对象

writer = PyPDF2.PdfFileWriter()

# 对PDF文件所有页进行循环遍历

for page_num in range(reader.numPages):

      # 获取指定页码的Page对象

      current_page = reader.getPage(page_num) # type: PageObject

      if page_num % 2 == 0:

         # 奇数页顺时针旋转90度

         current_page.rotateClockwise(90)

      else:

# 偶数页反时针旋转90度

             current_page.rotateCounterClockwise(90)

      writer.addPage(current_page)

# 最后添加一个空白页并旋转90度

page = writer.addBlankPage() # type: PageObject

page.rotateClockwise(90)

# 通过Writer对象的write方法将PDF写入文件

with open('resources/XGBoost-modified.pdf', 'wb') as file:

    writer.write(file)

3、加密PDF文件

使用PyPDF2 中的PdfFileWrite 对象可以为PDF文档加密，如果需要给一系列的PDF文档设置统一的访问口令，使用Python程序来处理就会非常的方便。

import PyPDF2

reader = PyPDF2.PdfFileReader('resources/XGBoost.pdf')

writer = PyPDF2.PdfFileWriter()

for page_num in range(reader.numPages):

     writer.addPage(reader.getPage(page_num))

# 通过encrypt方法加密PDF文件，方法的参数就是rre

设置的密码

writer.encrypt('foobared')

with open('resources/XGBoost-encrypted.pdf', 'wb') as file:

       writer.write(file)

4、批量添加水印

上面提到的PageObject 对象还有一个名为mergePage 的方法，可以两个PDF页面进行叠加，通过这个操作，我们很容易实现给PDF文件添加水印的功能。例如要给上面的“XGBoost.pdf”文件添加一个水印，我们可以先准备好一个提供水印页面的PDF文件，然后将包含水印的 PageObject 读取出来，然后再循环遍历“XGBoost.pdf”文件的每个页，获取到 PageObject 对象，然后通过mergePage 方法实现水印页和原始页的合并，代码如下所示。

import PyPDF2

from PyPDF2.pdf import PageObject

reader1 = PyPDF2.PdfFileReader('resources/XGBoost.pdf') reader2 = PyPDF2.PdfFileReader('resources/watermark.pdf')

writer = PyPDF2.PdfFileWriter()

# 获取水印页

watermark_page = reader2.getPage(0)

for page_num in range(reader1.numPages):

     current_page = reader1.getPage(page_num) # type: PageObject                                           current_page.mergePage(watermark_page)

     # 将原始页和水印页进行合并

     writer.addPage(current_page) 

# 将PDF写入文件

with open('resources/XGBoost-watermarked.pdf', 'wb') as file:

       writer.write(file)

5、创建PDF文件

创建PDF文档需要三方库 reportlab 的支持，安装的方法如下所示。

pip install reportlab

下面通过一个例子为大家展示reportlab 的用法。

from reportlab.lib.pagesizes import A4

from reportlab.pdfbase import pdfmetrics

from reportlab.pdfbase.ttfonts import TTFont

from reportlab.pdfgen import canvas

pdf_canvas = canvas.Canvas('resources/demo.pdf', pagesize=A4)

width, height = A4

# 绘图

image = canvas.ImageReader('resources/guido.jpg') pdf_canvas.drawImage(image, 20, height - 395, 250, 375)

# 显示当前页

pdf_canvas.showPage()

# 注册字体文件

pdfmetrics.registerFont(TTFont('Font1', 'resources/fonts/Vera.ttf')) pdfmetrics.registerFont(TTFont('Font2', 'resources/fonts/青呱石头体.ttf'))

# 写字

pdf_canvas.setFont('Font2', 40)

pdf_canvas.setFillColorRGB(0.9, 0.5, 0.3, 1)

pdf_canvas.drawString(width // 2 - 120, height // 2, '你好，世界！')

pdf_canvas.setFont('Font1', 40)

pdf_canvas.setFillColorRGB(0, 1, 0, 0.5) pdf_canvas.rotate(18) pdf_canvas.drawString(250, 250, 'hello, world!')

# 保存

pdf_canvas.save()

上面的代码如果不太理解也没有关系，等真正需要用Python创建PDF文档的时候，再好好研读一下

reportlab 的官方文档就可以了。

简单的总结

在学习完上面的内容之后，相信大家已经知道像合并多个PDF文件这样的工作应该如何用Python代码来处理了，赶紧自己动手试一试吧。

想要学习编程或者需要资料的童鞋快快加群吧~

 ​​​​​​​