介绍
本文将介绍如何使用Python实现PDF文件的合并与目录提取功能。通过本文，您将学习到如何将多个PDF文件合并为一个文件，并从中提取目录保存到Word文档中。这对于需要管理和整理大量PDF文档的用户来说非常有用。
环境配置
在开始之前，请确保您的Python环境中已安装以下库：
PyPDF2: 用于处理PDF文件。pywin32: 用于与Word应用程序交互。
您可以通过以下命令安装这些库：
pip install PyPDF2 pywin32
项目分布
代码主要分为以下几个部分：
- 合并PDF文件：使用
PyPDF2库中的PdfFileMerger类来合并PDF文件，并可以为合并后的PDF文件创建书签。 - 提取目录并保存到Word文档：首先使用
PyPDF2库读取PDF文件并获取大纲，然后使用pywin32库创建一个新的Word文档，并将目录写入该文档。
详细代码
合并PDF文件
# -*- coding:utf-8 -*-
import os # 导入系统功能模块
from win32com.client import Dispatch, DispatchEx # 导入pywin32模块的client包下的函数
from win32com.client import constants # 导入pywin32模块的client包下的保存COM常量的类
from win32com.client import gencache # 导入pywin32模块的client包下的gencache函数
import re # 导入正则表达式模块
import sys, codecs # 导入标准模块
from PyPDF2 import PdfFileReader, PdfFileMerger # 导入第三方模块PyPDF2
'''
合并pdf文件，输出的pdf文件按输入的pdf文件名生成书签
'''
def mergefiles(path, output_filename, import_bookmarks=False):
''' 遍历目录下的所有pdf将其合并输出到一个pdf文件中， # 返回数字（将按该数字排序）输出的pdf文件默认带书签，
书签名为之前的文件名。默认情况下原始文件的书签不会导入，使用import_bookmarks=True可以将原文件所带的书签也
导入到输出的PDF文件中
'''
merger = PdfFileMerger() # 创建PDF合并对象
filelist = getfilenames(filepath=path,filelist_out=[], file_ext='.pdf') # 获取要合并的PDF文件
if len(filelist) == 0: # 判断是否存在要合并的文件
print("当前目录及子目录下不存在pdf文件")
sys.exit() # 退出文件系统
for filename in filelist: # 遍历文件列表
f = codecs.open(filename, 'rb') # 使用codecs的open()方法打开文件时，会自动转换为内部Unicode编码
file_rd = PdfFileReader(f)
short_filename = os.path.basename(os.path.splitext(filename)[0]) # 获取文件名称（不包括文件路径）
if file_rd.isEncrypted == True:
print('不支持的加密文件：%s'%(filename))
continue
merger.append(file_rd, bookmark=short_filename, import_bookmarks=import_bookmarks)
f.close() # 关闭文件对象
out_filename=os.path.join(os.path.abspath(path), output_filename) # 将文件名和路径连接为一个完整路径
merger.write(out_filename) # 写入内容
merger.close() # 关闭PDF合并对象
'''获取指定目录下的文件
filepath：要遍历的目录
filelist_out：输出文件列表
file_ext：文件的扩展名，默认为任何类型的文件
'''
def getfilenames(filepath='',filelist_out=[],file_ext='all'):
# 遍历filepath下的所有文件，包括子目录下的文件
for fpath, dirs, fs in os.walk(filepath):
for f in fs:
fi_d = os.path.join(fpath, f)
if file_ext == '.doc': # 遍历Word文档文件
if os.path.splitext(fi_d)[1] in ['.doc','.docx']: # 判断是否为Word文件
filelist_out.append(re.sub(r'\\','/',fi_d)) # 添加到路径列表中
else:
if file_ext == 'all': # 要获取所有文件的情况
filelist_out.append(fi_d) # 将文件路径添加到路径列表中
elif os.path.splitext(fi_d)[1] == file_ext: # 要获取除了Word文件以外的文件
filelist_out.append(fi_d) # 将文件路径添加到路径列表中
else:
pass
filelist_out.sort() # 对路径进行排序
return filelist_out # 返回文件完整路径列表
提取目录并保存到Word文档
'''
功能：提取目录并保存到新的Word文档中
pdfpath：合并后的PDF文件绝对路径，包括文件名
listpath：目标路径
isPage：是否包含页码
level：目录层数
'''
def getPdfOutlines(pdfpath,listpath,isPage,level):
with open(pdfpath, "rb") as file:
doc = PdfFileReader(file)
outlines = doc.getOutlines() # 获取大纲
global returnlist # 全局变量，保存大纲的列表
returnlist = [] # 创建一个空列表
mylist = getOutline(outlines,isPage,level) # 递归获取大纲
w = DispatchEx("Word.Application") # 创建Word文档应用程序对象
w.Visible = 1
w.DisplayAlerts = 0
doc1 = w.Documents.Add()# 添加一个Word文档对象
range1 = doc1.Range(0,0)
for item in mylist: # 通过循环将获取的目录列表插入到Word文档对象中
range1.InsertAfter(item)
outpath = os.path.join(listpath,'list.docx') # 连接Word文档路径
doc1.SaveAs(outpath) # 保存文件
doc1.Close() # 关闭Word文档对象
w.Quit() # 退出Word文档应用程序对象
return outpath
'''
功能：提取指定层级的大纲
obj：Word文档的大纲对象
isPage：是否包含页码
selectLevel：目录层级，值为0~3的数。0表示全部大纲、1表示一级大纲……
'''
def getOutline(obj,isPage,selectLevel): # 获取指定层级的大纲
global returnlist
for o in obj:
if selectLevel == 1: # 只提取一级标题
if type(o).__name__ == 'Destination':
dealPage(o, isPage) # 输出大纲内容（处理是否包含页码）
elif selectLevel == 2: # 提取到二级标题
if type(o).__name__ == 'Destination':
dealPage(o, isPage) # 输出大纲内容（处理是否包含页码）
elif type(o).__name__ == 'list':
getOne(o, isPage)
elif selectLevel == 3: # 提取到三级标题
if type(o).__name__ == 'Destination':
dealPage(o, isPage) # 输出大纲内容（处理是否包含页码）
elif type(o).__name__ == 'list':
for o1 in o:
if type(o1).__name__ == 'Destination':
dealPage(o1, isPage) # 输出大纲内容（处理是否包含页码）
elif type(o1).__name__ == 'list':
getOne(o1, isPage)
return returnlist
def getOne(obj,isPage): # 获取当前一级大纲
for o in obj:
if type(o).__name__ == 'Destination':
dealPage(o, isPage) # 输出大纲内容（处理是否包含页码）
return returnlist
# 输出大纲内容（处理是否包含页码）
def dealPage(o,isPage):
if isPage: # 包括页码
returnlist.append(o.get('/Title') + "\t\t" + str(o.get('/Page') + 1) + "\n")
else: # 不包括页码
returnlist.append(o.get('/Title') + "\n")
Word转换为PDF
# Word转换为PDF(多个文件)
def wordtopdf(filelist,targetpath):
valueList = []
try:
gencache.EnsureModule('{00020905-0000-0000-C000-000000000046}', 0, 8, 4)
# 开始转换
w = Dispatch("Word.Application")
for fullfilename in filelist:
(filepath,filename) = os.path.split(fullfilename) # 分割文件路径和文件名，其中，filepath表示文件路径；filename表示文件名
softfilename = os.path.splitext(filename) # 分割文件名和扩展名
os.chdir(filepath)
doc = os.path.abspath(filename)
os.chdir(targetpath)
pdfname = softfilename[0] + ".pdf"
output = os.path.abspath(pdfname)
pdf_name = output
# 文档路径需要为绝对路径，因为Word启动后当前路径不是调用脚本时的当前路径。
try: # 捕捉异常
doc = w.Documents.Open(doc, ReadOnly=1)
doc.ExportAsFixedFormat(output, constants.wdExportFormatPDF, \
Item=constants.wdExportDocumentWithMarkup,
CreateBookmarks=constants.wdExportCreateHeadingBookmarks)
except Exception as e: # 处理异常
print(e)
if os.path.isfile(pdf_name): # 判断文件是否存在
valueList.append(pdf_name) # 添加到文件列表中
else:
print('转换失败！')
return False
w.Quit(constants.wdDoNotSaveChanges) # 退出Word应用程序
return valueList # 返回生成PDF文件列表
except TypeError as e:
print('出错了！')
print(e)
return False
if __name__ == '__main__':
sourcepath = r"E:/learn/test/doc/temp" # 指定源路径（Word文档所在路径）
targetpath = r"E:/learn/test/doc/pdf/" # 指定目标路径（PDF保存路径）
filelist = getfilenames(sourcepath,[],'.doc') # 获取Word文档路径
valueList = wordtopdf(filelist,targetpath) # 实现将Word文档批量转换为PDF
if valueList:
# 将多个PDF文件合并为一个PDF文件
mergefiles(targetpath, 'merged.pdf', True)
temp = [os.path.join(targetpath , 'merged.pdf')] # 组合PDF文件路径
for file in valueList: # 遍历临时生成的PDF文件列表
os.remove(file) # 删除PDF文件
resultvalue = getPdfOutlines(temp[0], targetpath, True,2) # 提取目录
os.remove(temp[0]) # 删除合并后的PDF文件
print("提取完成！文件保存在：",targetpath )
else:
print("没有要提取目录的Word文档或者提取失败！")
扫一扫
502
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
