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0
print(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
![](http://img.e-com-net.com/image/info10/852390f0249c4440b4b451ffba4d7c18.png)
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 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。
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》