【Python自动化办公】pdf文件自动处理

3 年前

酒坛坛儿

学习、分享

PDF 表示 Portable Document Format，使用 .pdf 作为文件扩展名。虽然 PDF 支持许多功能，但现在我们专注于最常做的两件事：从 PDF 读取文本内容和从已有的文档生成新的 PDF。主要涉及到三个类：PdfFileReader、PdfFileWriter、PageObject。 Python中用于处理PDF文档的模块是PyPDF2。可以直接通过 pip 指令去安装： pip install PyPDF2 。这个地方要注意，模块名是区分大小写的，除了 y 是小写其他字母都是大写。

1. PdfFileReader

PdfFileReader是 PyPDF2 提供的一个类，主要是通过方法和属性来提供获取pdf文件内容的相关功能。使用PdfFileReader读取pdf文件前需要先创建一个PdfFileReader的对象：

PdfFileReader(stream, strict = True,warndest = None,overwriteWarnings = True)

stream： File 对象或支持与 File 对象类似的标准读取和查找方法的对象， 也可以是表示 PDF 文件路径的字符串。
strict（bool） ：确定是否应该警告用户所用的问题，也导致一些可纠正的问题是致命的，默认是 True
warndest : 记录警告的目标(默认是 sys.stderr)
overwriteWarnings(bool) ：确定是否 warnings.py 用自定义实现覆盖 Python 模块（默认为 True）

实例一：从PDF文件中提取文本

# 从PyPDF2模块中导入PdfFileReader类
from PyPDF2 import PdfFileReader
# 打开需要操作的pdf文件，获取文件对象。因为pdf文件是二进制文件，所以打开的时候是 'rb'
pdf_file = open('files/new.pdf', 'rb')
# 创建pdf文件对应的PdfFileReader对象
pdf_reader = PdfFileReader(pdf_file)
# 获取当前pdf文件总页数（这儿其实不需要，只是给大家看看）
total_page = pdf_reader.getNumPages()       # 结果是: 17
# 获取pdf文件的第一页
page0 = pdf_reader.getPage(0)
# 获取第一页中的文本内容
text_content = page0.extractText()
print(text_content)

实例二：解密

# 从PyPDF2模块中导入PdfFileReader类
from PyPDF2 import PdfFileReader
# 创建PdfFileReader对象，并且让它和指定的pdf文件进行关联
# pdf_reader = PdfFileReader('files/MySQL.pdf')   # 打开文件的时候可以直接给pdf文件路径
pdf_reader = PdfFileReader(open('files/MySQL.pdf', 'rb'))     # 打开文件的时候可以直接给文件对象
# 是否加密 - 如果结果是True，表示已经加密，如果获取页面的时候程序会报错
is_encrypted = pdf_reader.isEncrypted
# 通过密码解密, 这儿的 1234 是密码
pdf_reader.decrypt('1234')
# 获取当前pdf文件的第一页
page0 = pdf_reader.getPage(0)

2. PdfFileWriter

在 PyPDF2 中，与 PdfFileReader 对象相对的是 PdfFileWriter 对象，它可以创建一个新的 PDF 文件。但 PyPDF2 不能将任意文本写入 PDF，就像 Python 可以写入纯文本文件那样。PyPDF2 写入 PDF 的能力，仅限于从其他 PDF 中拷贝页面、旋转页面、重叠页面和加密文件。模块不允许直接编辑 PDF。必须创建一个新的 PDF，然后从已有的文档拷贝内容。PdfFileWriter 的使用一般遵守以下方式：

1. 打开一个或多个已有的 PDF（源 PDF），得到 PdfFileReader 对象。

2. 创建一个新的 PdfFileWriter 对象。

3. 将页面从 PdfFileReader 对象拷贝到 PdfFileWriter 对象中。

4. 最后，利用 PdfFileWriter 对象写入输出的 PDF。

创建一个PdfFileWriter 对象，只是在Python 中创建了一个代表PDF 文档的值，这并没有创建实际的PDF 文件，要实际生成文件，必须调用PdfFileWriter 对象的write()方法。

实例三：拷贝页面

from PyPDF2 import PdfFileReader, PdfFileWriter
# 创建两个pdf文件对应的PdfFileReader对象
pdf_reader1 = PdfFileReader('files/file1.pdf')
pdf_reader2 = PdfFileReader('files/file2.pdf')
# 创建PdfFileWriter对象
writer = PdfFileWriter()
# 遍历将第一个pdf文件中的每一页取出来
for page_num in range(pdf_reader1.getNumPages()):
    # 取出每一页对应的PageObject对象
    page = pdf_reader1.getPage(page_num)
    # 将当前取出来的页面添加到writer中
    writer.addPage(page)
# 遍历将第二个pdf文件中的每一页取出来
for page_num in range(pdf_reader2.getNumPages()):
    # 取出每一页对应的PageObject对象
    page = pdf_reader2.getPage(page_num)
    # 将当前取出来的页面添加到writer中
    writer.addPage(page)
# write(stream)  - 将添加到此对象的页面集合写入 PDF 文件 ，这儿的stream必须是以写的方式打开的文件对象
out_file = open('files/out.pdf', 'wb')
writer.write(out_file)
out_file.close()
# 程序结束后，会在files下创建一个 out.pdf 文件，文件中的内容是 file1.pdf 和 file2.pdf 两个文件中的所有内容

3. PageObject

从 PdfFileReader 对象中通过 getPage 方法得到页面都是 PageObject 的对象。

实例四：旋转页面

# **实例三：拷贝页面**
from PyPDF2 import PdfFileReader, PdfFileWriter
# 打开文件
# file_reader = PdfFileReader(open('files/MySQL.pdf', 'rb'))
file_reader = PdfFileReader('files/MySQL.pdf')
# 取第一页
page0 = file_reader.getPage(0)
# 旋转90度
page0.rotateClockwise(90)
# 创建 PdfFileWriter 对象
file_writer = PdfFileWriter()
# 将第一页添加到新文件中
file_writer.addPage(page0)
# 保存新文件
file_writer.write(open('files/MySQL2.pdf', 'wb'))

PyPDF2 也可以将一页的内容叠加到另一页上，这可以用来在页面上添加公司标志、时间戳或水印。利用 Python，很容易为多个文件添加水印，并且只针对程序指定的页面添加。

实例五: 添加水印

from PyPDF2 import PdfFileReader, PdfFileWriter
# 打开需要添加水印的文件
pdf_reader = PdfFileReader('files/MySQL.pdf')
# 打开水印文件
water_reader = PdfFileReader('files/water.pdf')
# 获取需要添加水印的页面（如果所有也都要添加水印就遍历）
page0 = pdf_reader.getPage(0)
# 获取水印页
water_page = water_reader.getPage(0)
page0.mergePage(water_page)
# 创建PdfFileWriter对象并且将已经添加水印的也添加到PdfFileWriter对象中
writer = PdfFileWriter()
writer.addPage(page0)
writer.write(open('out/newMySQL.pdf', 'wb'))

实例六：加密PDF
PdfFileWriter 对象也可以为 PDF 文档进行加密:

from PyPDF2 import PdfFileWriter, PdfFileReader
    # 打开需要加密的文件
    file_reader = PdfFileReader('files/MySQL.pdf')
    # 创建PdfFileWriter对象
    file_writer = PdfFileWriter()
    # 将原文件的内容全部添加到PdfFileWriter对象中
    for page_num in range(file_reader.getNumPages()):
        file_writer.addPage(file_reader.getPage(page_num))