用python操作PDF文件

本次学习的内容主要是：从PDF读取文本内容和从已经有的文档生成新的PDF。

需要用到的模块是PyPDF2.

首先要在命令行中运行pip install PyPDF2.

一、从PDF读取文本

 PyPDF2无法从pdf文档中提取图像，图表和其他媒体，但是它可以提取文本，并且将文本返回为python字符串。import PyPDF2# ===============从pdf中提取文本===========pdffile = open(r‘E:\python让繁琐的工作自动化\13_处理pdf和word文档\data\meetingminutes.pdf‘, ‘rb‘)  # 读取pdf文件pdfreader = PyPDF2.PdfFileReader(pdffile)  # 读入到print(pdfreader.numPages)  # 读取pdf页数======19

读取pdf文件的页数是：

获取第一页的内容：

page0 = pdfreader.getPage(0)  #获取第1页，第一页是0print(page0.extractText())  # 获取第2页的内容，返回的是字符串

内容是

二、解密PDF

某些文档有加密功能，为了防止别人阅读，只有在打开文档的时候提供口令才能阅读。我打开的文件的加密口令是rosebud.

其实在读取一个pdf文件是首先应该确定它是否加密了。如果加密，isEncrypted属性就会返回True.此时就需要口令了。

# 某些pdf文件是加密的，防止别人阅读的，只有打开文档的时候提供口令才能阅读pdf_reader = PyPDF2.PdfFileReader(open(r‘E:\python让繁琐的工作自动化\13_处理pdf和word文档\data\encrypted.pdf‘,‘rb‘))print(pdf_reader.isEncrypted)  # 文件是否加密

返回的结果是：

如果这时候不输入口令就获取内容的话。

print(pdf_reader.getPage(0))  # PyPDF2.utils.PdfReadError: file has not been decrypted 文件还没有解锁

会提示出现错误。

此时调用decrypt方法，输入口令，再读取就可以啦。

print(pdf_reader.decrypt(‘rosebud‘))  # rosebud==正确口令显示1，其他显示0page_obj = pdf_reader.getPage(0)  # 这样才能正确读取print(page_obj.extractText())

返回的结果是：

三、创建PDF

PyPDF2可以创建一个新的PDF文件，但是不能将任何文本写入到PDF。其写入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。后面一一介绍。

四、拷贝页面

# ==========拷贝页面==============pdffile1 = open(r‘E:\python让繁琐的工作自动化\13_处理pdf和word文档\data\meetingminutes.pdf‘, ‘rb‘)pdffile2 = open(r‘E:\python让繁琐的工作自动化\13_处理pdf和word文档\data\meetingminutes2.pdf‘, ‘rb‘)pdf1_reader = PyPDF2.PdfFileReader(pdffile1)pdf2_reader = PyPDF2.PdfFileReader(pdffile2)# 创建一个pdf文档，这个只是代表pdf文档的值，并没有创建实际的文档。pdf_writer = PyPDF2.PdfFileWriter()# 将文档一页一页的读入到新的文档for pagenum in range(pdf1_reader.numPages):    pageobj = pdf1_reader.getPage(pagenum)    pdf_writer.addPage(pageobj)

for pagenum in range(pdf2_reader.numPages):    pageobj = pdf2_reader.getPage(pagenum)    pdf_writer.addPage(pageobj)

# write方法才能真正生成一个文件pdfoutputfile = open(‘combin.pdf‘,‘wb‘)pdf_writer.write(pdfoutputfile)pdfoutputfile.close()pdffile1.close()pdffile2.close()

在对应目录下生成pdf文件

五、旋转页面

利用rotateClockwise()和rotateCounterClockwise()方法PDF页面可以旋转90的整倍数。

pdffile1 = open(r‘E:\python让繁琐的工作自动化\13_处理pdf和word文档\data\meetingminutes.pdf‘, ‘rb‘)pdfreaders = PyPDF2.PdfFileReader(pdffile1)page = pdfreaders.getPage(0)  # 获取第一页page.rotateClockwise(90)  # 第一页旋转90度# 创建一个新的PDF文档pdfwriter = PyPDF2.PdfFileWriter()# 添加内容pdfwriter.addPage(page)# 真实创建PDF文件并写入内容result = open(‘ratated.pdf‘,‘wb‘)pdfwriter.write(result)# 关闭文件result.close()pdffile1.close()

点击开PDF文档，结果是：

六、叠加页面

有的时候需要在PDF中添加公司的标志、时间戳或水印。我们用这个库依然可以实现。

# 给指定的页面添加水印、公司标志或者时间戳。pdffile1 = open(r‘E:\python让繁琐的工作自动化\13_处理pdf和word文档\data\meetingminutes.pdf‘, ‘rb‘)pdf_reader1 = PyPDF2.PdfFileReader(pdffile1)# 获取该文档的第一页first_page = pdf_reader1.getPage(0)# 打开印有水印的PDF文件water_pdf = PyPDF2.PdfFileReader(r‘E:\python让繁琐的工作自动化\13_处理pdf和word文档\data\watermark.pdf‘, ‘rb‘)# 在上一个文档的第一页中加入这个有水印的文件first_page.mergePage(water_pdf.getPage(0))# 将读取的内容写入到对象中pdfwriter = PyPDF2.PdfFileWriter()pdfwriter.addPage(first_page)

结果是：

七、加密PDF

我们可以对拷贝的页面进行加密。

pdffile1 = open(r‘E:\python让繁琐的工作自动化\13_处理pdf和word文档\data\meetingminutes.pdf‘, ‘rb‘)pdf_reader1 = PyPDF2.PdfFileReader(pdffile1)# 将读取的内容写入对象中pdfwriter = PyPDF2.PdfFileWriter()for pagenum in range(pdf_reader1.numPages):    pdfwriter.addPage(pdf_reader1.getPage(pagenum))

# 输入口令pdfwriter.encrypt(‘meimei‘)# 真正创建PDF文件result_pdf = open(‘encry.pdf‘,‘wb‘)pdfwriter.write(result_pdf)# 关闭文件result_pdf.close()

点击生成的PDF文件。

输入密码才可以打开。

参考文献《python编程快速上手--让繁琐工作自动化》

原文地址：https://www.cnblogs.com/paisenpython/p/10295747.html