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.


用python操作PDF文件_第1张图片

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0

print(page0.extractText())# 获取第2页的内容,返回的是字符串

内容是

用python操作PDF文件_第2张图片

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:

用python操作PDF文件_第3张图片

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。

用python操作PDF文件_第4张图片

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0

page_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 pagenumin range(pdf1_reader.numPages):

   pageobj= pdf1_reader.getPage(pagenum)

pdf_writer.addPage(pageobj)

for pagenumin 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:

用python操作PDF文件_第5张图片

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:

用python操作PDF文件_第6张图片

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 pagenumin 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。

用python操作PDF文件_第7张图片

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

用python操作PDF文件_第8张图片

你可能感兴趣的:(用python操作PDF文件)