使用者:Xyy23330121/Python/pdf
 |  |
本章節將基於第三方庫 PyPDF2 來講述如何使用 Python 處理 PDF 文件。
安裝
編輯PyPDF2 需要大於 3.6 版本的 Python 才能正常運行。對於使用從 python.org 下載的 Windows 版本的 Python，我們可以從命令行程序中，輸入以下代碼以安裝 PyPDF2。
python -m pip install PyPDF2如果連結不暢，或者下載失敗。可以用以下代碼，改為從清華大學提供的託管伺服器中下載 requests。
python -m pip install PyPDF2 -i https://pypi.tuna.tsinghua.edu.cn/simple安裝可選依賴
編輯PyPDF 的部分功能需要在安裝一些額外的依賴項目才能使用。以下將列出這些功能，與安裝依賴項目的方法。
圖像提取依賴
編輯如果希望提取 PDF 中的圖片，則需要使用以下代碼安裝依賴項目：
python -m pip install PyPDF2[image]PDF 加密依賴
編輯如果希望使用 AES 加密或解密 PDF 文件，則需要使用以下代碼安裝依賴項目：
python -m pip install PyPDF2[crypto]如果只需要使用 RC4 加密，則不需要此依賴項。
安裝全部依賴項
編輯可以使用以下代碼直接安裝全部依賴項：
python -m pip install PyPDF2[full]提取 PDF 中的信息
編輯導入 pdf 文件
編輯PyPDF2 使用 PdfReader 類來讀取 pdf 文件。使用示例如下：
from PyPDF2 import PdfReader
reader = PdfReader("example.pdf") #输入pdf文件所对应的路径，读取该pdf文件
PdfReader 在創建時有三個參數：
- stream：表示需要處理的 pdf 文件。這裡可以是經過內置
open()函數打開的支持讀取的文件對象，也可以是以字符串形式或 os.PathLike 形式的路徑。 - strict：（默認為 False）如果為 True，則在讀取 pdf 文件中產生的任何問題都會報錯。
- password：（默認為 None）如果 pdf 文件具有密碼，輸入密碼以在導入文件時進行解密。密碼可以為字符串或 bytes 類型。如果不輸入密碼，則不會進行解密。
提取元信息
編輯在導入文件後，我們可以提取 pdf 文件的元信息。
from PyPDF2 import PdfReader
reader = PdfReader("example.pdf")
meta = reader.metadata #读取元信息
print(len(reader.pages)) #页数
print(meta.author) #作者（若元信息中没有记录作者，则为空）
print(meta.creator) #文件创建者（若元信息中不包含创建者，则为空）
print(meta.producer) #文件提供者（若元信息中不包含提供者，则为空）
print(meta.subject) #主题（若元信息中不包含主题，则为空）
print(meta.title) #标题（若元信息中不包含标题，则为空）
提取文本信息
編輯通過以下方法，還可以提取所選擇頁內的文字。
from PyPDF2 import PdfReader
reader = PdfReader("example.pdf")
page = reader.pages[0] #选择第 1 页。
print(page.extract_text()) #提取第 1 页的所有文字，以文本形式输出。
在提取時，還可以添加以下參數來篩選提取的文字信息。這些參數必須 按關鍵字傳入。
- orientations：以整數角度篩選文字朝向，0 為向上，90 為向左，180 為顛倒，270 為向右。可以傳入包含多個角度的整數數組以同時篩選多個朝向。默認為
(0, 90, 180, 270)，即不篩選。 - space_width：空格寬度（默認為200.0）
- visitor_opperand_before：參見文檔
- visitor_opperand_after：參見文檔
- visitor_text：參見文檔
提取圖片
編輯可以用以下方式提取指定頁的圖片。
from PyPDF2 import PdfReader
reader = PdfReader("example.pdf")
page = reader.pages[0]
count = 0
for image_file_object in page.images:
with open(str(count) + image_file_object.name, "wb") as fp:
fp.write(image_file_object.data)
count += 1
PDF 加密與解密 =
編輯https://pypdf2.readthedocs.io/en/3.x/user/encryption-decryption.html
合併與分割 PDF 文件
編輯PyPDF2 使用 PdfWriter 類來編輯與輸出 pdf 文件。其基本使用方法如下：
from PyPDF2 import PdfReader, PdfWriter
writer = PdfWriter() #创建一个 PdfWriter 对象。
with open("new.pdf", "wb") as f: #把 PdfWriter 的内容存储到文件中。
writer.write(f)
添加頁
編輯批量添加
編輯以下方法用於批量添加一個PDF裡面的頁面。
from PyPDF2 import PdfReader, PdfWriter
writer = PdfWriter() #创建 writer
with open("document.pdf", "rb") as doc:
writer.append(doc) #将 document.pdf 里面的所有内容添加到 writer 的末尾
with open("new.pdf", "wb") as f: #存储 writer
writer.write(f)
具體來講，PdfWriter.append() 支持以下參數：
- fileobj 要添加的頁面所在的 PDF 文件。此項可以支持 read 方法的字節流、PDF 文件的路徑字符串，或者一個 pypdf2.PdfReader 實例。
- outline_item 字符串書籤內容。在添加頁面時，會先增加一個書籤，以標記「增加的頁面」的起始位置。
- pages 添加的頁面範圍。fileobj 中、僅在該範圍內的頁面會被添加。可以是以下形式：
- pypdf2.PageRange 實例
(start, stop[, step])形式的元組。- 要添加的頁面組成的列表。比如
[0, 2, 5]就是添加第0、2和第5頁。
- import_outline （默認為False）如果為True，則當頁面具有書籤時，會把書籤也一併添加。
- excluded_fields (List) – provide the list of fields/keys to be ignored if 「/Annots」 is part of the list, the annotation will be ignored if 「/B」 is part of the list, the articles will be ignored
https://pypdf2.readthedocs.io/en/3.x/user/merging-pdfs.html https://pypdf2.readthedocs.io/en/3.x/user/cropping-and-transforming.html
修改元信息
編輯我們還可以給 pdf 文件增加元信息。這裡以修改元信息為例：
from PyPDF2 import PdfReader, PdfWriter
writer = PdfWriter() #创建一个PDF写入对象，作为副本对象。
writer.append("example.pdf") #将原PDF的所有页面导入副本对象。
#将所需的元数据写入副本对象。
writer.add_metadata(
{
"/Author": "Martin",
"/Producer": "Libre Writer",
}
)
with open("meta_edit.pdf", "wb") as f: #最后，把副本对象的内容存储到文件中。
writer.write(f)
給 PDF 文件添加水印
編輯https://pypdf2.readthedocs.io/en/3.x/user/add-watermark.html
注釋與批註
編輯https://pypdf2.readthedocs.io/en/3.x/user/reading-pdf-annotations.html https://pypdf2.readthedocs.io/en/3.x/user/adding-pdf-annotations.html
PDF 表單
編輯壓縮 PDF 文件的大小
編輯錯誤
編輯https://pypdf2.readthedocs.io/en/3.x/user/suppress-warnings.html