朋友需要对一个pdf文件进行分割,在网上查了查发现这个pypdf2可以完成这些操作,所以就研究了下这个库,并做一些记录。首先pypdf2是python3版本的,在之前的2版本有一个对应pypdf库。
可以使用pip直接安装:
pip install pypdf2
官方文档:https://pythonhosted.org/PyPDF2/
里面主要有这几个类:
该类主要提供了对pdf文件的读操作,其构造方法为:
PdfFileReader(stream, strict=True, warndest=None, overwriteWarnings=True)
第一个参数可以传入一个文件流,或者一个文件路径。后面三个参数都是用来设置警告的处理方式,直接使用默认的即可。
得到实例之后,就可以对pdf进行一些操作了。主要的有以下几个操作:
decrypt(password):如果pdf文件加密的话,可以使用该方法对其解密。
getDocumentInfo():检索pdf文件的一些信息。其返回值为一个DocumentInformation 类型,直接输出的话会得到类似下面的信息:
{‘/ModDate’: “D:20150310202949-07’00’”, ‘/Title’: ”, ‘/Creator’: ‘LaTeX with hyperref package’, ‘/CreationDate’: “D:20150310202949-07’00’”, ‘/PTEX.Fullbanner’: ‘This is pdfTeX, Version 3.14159265-2.6-1.40.15 (TeX Live 2014/MacPorts 2014_6) kpathsea version 6.2.0’, ‘/Producer’: ‘pdfTeX-1.40.15’, ‘/Keywords’: ”, ‘/Trapped’: ‘/False’, ‘/Author’: ”, ‘/Subject’: ”}
getNumPages():这个会pdf文件中的页数。
getPage(pageNumber):会得到pdf文件中对应的pageNumber页数的页面对象,返回值为PageObject实例。在得到PageObject实例之后就可以将其加添、插入等操作。
getPageNumber(page):与上面的方法对立,可以传入PageObject实例,然后得到该实例是pdf文件中第几页的。
getOutlines(node=None, outlines=None):检索文档中出现的文档大纲。
isEncrypted:记录该pdf是否加密。如果文件本身加密,即使在使用解密decrypt方法之后,还是会返回true。
numPages:pdf总共的页数,相当于访问getNumPages()的只读属性。
该类支持对pdf文件进行写操作,通常是使用PdfFileReader读取一些pdf数据,然后使用该类进行一些操作。
创建该类的实例时不需要参数。
其主要的方法有:
addAttachment(fname, fdata):向pdf添加文件。
addBlankPage(width=None, height=None):给pdf添加一个空白页到最后,如果没有指定大小就使用当前Weiter中pdf最后一页的大小。
addPage(page):添加page到pdf中,通常这个page是由上面的Reader获取的。
appendPagesFromReader(reader, after_page_append=None):将reader中的数据拷贝到当前的Writer实例中,并且如果指定after_page_append的话,最后还有回掉该函数并且将writer中的数据传入其中。
encrypt(user_pwd, owner_pwd=None, use_128bit=True):将pdf进行加密,其中官方说userpwd是允许用户使用一些限制的权限打开pdf文件,也就是使用该密码的话可能会有一些限制,但是本人并没有在文档中找到设置权限的内容。而ownerpwd则是允许用户无限制的使用。第三个参数是是否使用128位加密。
getNumPages():得到pdf页数。
getPage(pageNumber):得到对应页数的Page,是一个PageObject对象,可以使用上面的addPage方法将page进行添加。
insertPage(page, index=0):将page添加到pdf中,index指定的是被插入的位置。
write(stream):将该Writer中的内容写入到文件中。
该类用来合并pdf文件,该类的构造方法有一个参数:PdfFileMerger(strict=True),注意这里的参数后面会介绍:
常用方法:
addBookmark(title, pagenum, parent=None):给pdf添加一个书签,title是书签的标题,pagenum是该书签指向的页面。
append(fileobj, bookmark=None, pages=None, import_bookmarks=True):将指定的fileobj文件添加到文件的末尾,bookmark是赎前,pages可以使用(start, stop[, step])或者一个 Page Range来设定将fileobj中的指定范围的页面进行添加。
merge(position, fileobj, bookmark=None, pages=None, import_bookmarks=True):与append方法类似,不过可以使用position参数指定添加的位置。
write(fileobj):将数据写入到文件中。
使用的时候可以创建一个PdfFileMerger实例,然后使用append或者merge将想要融合的pdf文件依次添加进去,最后使用write保存即可。
def merge_pdf():
# 创建一个用来合并文件的实例
pdf_merger = PdfFileMerger()
# 首先添加一个Week1_1.pdf文件
pdf_merger.append('Week1_1.pdf')
# 然后在第0页后面添加ex1.pdf文件
pdf_merger.merge(0, 'ex1.pdf')
# 添加书签
pdf_merger.addBookmark('这是一个书签', 1)
# 将其写入到文件中
pdf_merger.write('merge_pdf.pdf')
下面看一下PdfFileMerger(strict=True)中的这个参数:
官方对这个参数的解释:
strict (bool) – Determines whether user should be warned of all problems and also causes some correctable problems to be fatal. Defaults to True.
确定是否应该警告用户所有问题,并且还会导致一些可纠正的问题。
刚开始感觉这个参数就是用来是否警告用户一些错误的,直接使用默认即可,但是当本人尝试合并带中文的pdf时,出现了如下错误:
Traceback (most recent call last):
File "I:\python3.5\lib\site-packages\PyPDF2\generic.py", line 484, in readFromStream
return NameObject(name.decode('utf-8'))
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xc8 in position 10: invalid continuation byte
During handling of the above exception, another exception occurred:
PyPDF2.utils.PdfReadError: Illegal character in Name Object
在源码包中使用utf解码的时候出错了,尝试修改此处源码,让其使用gbk,但是还出现了其他的错误。最后发现当把构造函数中的strict设置为False时,控制台会打印下面的错误:
PdfReadWarning: Illegal character in Name Object [generic.py:489]
但是两个文件成功的合并了,并且大概看了下合并后的文件有时好又是坏,同样的代码运行多次,有时候能够正常处理中文,但有时候中文乱码。
除了列出的方法还有一些其他的方法,比如添加书签、添加链接等等,可以参考官方文档。
整合出来了加密、解密、合并、根据页数进行分割、根据份数进行分割的样例:
使用注意:如果时中文文件,运行结果可能会出现乱码,但是多运行几次,中间有正常显示中文的问题。具体原因还不清楚,但就是这么玄学。。。
代码传送门
# @Time : 2018/3/26 23:48
# @Author : Leafage
# @File : handlePDF.py
# @Software: PyCharm
# @Describe: 对pdf文件执行合并、分割、加密操作。
from PyPDF2 import PdfFileReader, PdfFileMerger, PdfFileWriter
def get_reader(filename, password):
try:
old_file = open(filename, 'rb')
except IOError as err:
print('文件打开失败!' + str(err))
return None
# 创建读实例
pdf_reader = PdfFileReader(old_file, strict=False)
# 解密操作
if pdf_reader.isEncrypted:
if password is None:
print('%s文件被加密,需要密码!' % filename)
return None
else:
if pdf_reader.decrypt(password) != 1:
print('%s密码不正确!' % filename)
return None
if old_file in locals():
old_file.close()
return pdf_reader
def encrypt_pdf(filename, new_password, old_password=None, encrypted_filename=None):
"""
对filename所对应的文件进行加密,并生成一个新的文件
:param filename: 文件对应的路径
:param new_password: 对文件加密使用的密码
:param old_password: 如果旧文件进行了加密,需要密码
:param encrypted_filename: 加密之后的文件名,省却时使用filename_encrypted;
:return:
"""
# 创建一个Reader实例
pdf_reader = get_reader(filename, old_password)
if pdf_reader is None:
return
# 创建一个写操作的实例
pdf_writer = PdfFileWriter()
# 从之前Reader中将数据写入到Writer中
pdf_writer.appendPagesFromReader(pdf_reader)
# 重新使用新密码加密
pdf_writer.encrypt(new_password)
if encrypted_filename is None:
# 使用旧文件名 + encrypted 作为新的文件名
encrypted_filename = "".join(filename.split('.')[:-1]) + '_' + 'encrypted' + '.pdf'
pdf_writer.write(open(encrypted_filename, 'wb'))
def decrypt_pdf(filename, password, decrypted_filename=None):
"""
将加密的文件及逆行解密,并生成一个无需密码pdf文件
:param filename: 原先加密的pdf文件
:param password: 对应的密码
:param decrypted_filename: 解密之后的文件名
:return:
"""
# 生成一个Reader和Writer
pdf_reader = get_reader(filename, password)
if pdf_reader is None:
return
if not pdf_reader.isEncrypted:
print('文件没有被加密,无需操作!')
return
pdf_writer = PdfFileWriter()
pdf_writer.appendPagesFromReader(pdf_reader)
if decrypted_filename is None:
decrypted_filename = "".join(filename.split('.')[:-1]) + '_' + 'decrypted' + '.pdf'
# 写入新文件
pdf_writer.write(open(decrypted_filename, 'wb'))
def split_by_pages(filename, pages, password=None):
"""
将文件按照页数进行平均分割
:param filename: 所要分割的文件名
:param pages: 分割之后每个文件对应的页数
:param password: 如果文件加密,需要进行解密操作
:return:
"""
# 得到Reader
pdf_reader = get_reader(filename, password)
if pdf_reader is None:
return
# 得到总的页数
pages_nums = pdf_reader.numPages
if pages <= 1:
print('每份文件必须大于1页!')
return
# 得到切分之后每个pdf文件的页数
pdf_num = pages_nums // pages + 1 if pages_nums % pages else int(pages_nums / pages)
print('pdf文件被分为%d份,每份有%d页!' % (pdf_num, pages))
# 依次生成pdf文件
for cur_pdf_num in range(1, pdf_num + 1):
# 创建一个新的写实例
pdf_writer = PdfFileWriter()
# 生成对应的文件名称
split_pdf_name = "".join(filename)[:-1] + '_' + str(cur_pdf_num) + '.pdf'
# 计算出当前开始的位置
start = pages * (cur_pdf_num - 1)
# 计算出结束的位置,如果是最后一份就直接返回最后的页数,否则用每份页数*已经分好的文件数
end = pages * cur_pdf_num if cur_pdf_num != pdf_num else pages_nums
# print(str(start) + ',' + str(end))
# 依次读取对应的页数
for i in range(start, end):
pdf_writer.addPage(pdf_reader.getPage(i))
# 写入文件
pdf_writer.write(open(split_pdf_name, 'wb'))
def split_by_num(filename, nums, password=None):
"""
将pdf文件分为nums份
:param filename: 文件名
:param nums: 要分成的份数
:param password: 如果需要解密,输入密码
:return:
"""
pdf_reader = get_reader(filename, password)
if not pdf_reader:
return
if nums < 2:
print('份数不能小于2!')
return
# 得到pdf的总页数
pages = pdf_reader.numPages
if pages < nums:
print('份数不应该大于pdf总页数!')
return
# 计算每份应该有多少页
each_pdf = pages // nums
print('pdf共有%d页,分为%d份,每份有%d页!' % (pages, nums, each_pdf))
for num in range(1, nums + 1):
pdf_writer = PdfFileWriter()
# 生成对应的文件名称
split_pdf_name = "".join(filename)[:-1] + '_' + str(num) + '.pdf'
# 计算出当前开始的位置
start = each_pdf * (num - 1)
# 计算出结束的位置,如果是最后一份就直接返回最后的页数,否则用每份页数*已经分好的文件数
end = each_pdf * num if num != nums else pages
print(str(start) + ',' + str(end))
for i in range(start, end):
pdf_writer.addPage(pdf_reader.getPage(i))
pdf_writer.write(open(split_pdf_name, 'wb'))
def merger_pdf(filenames, merged_name, passwords=None):
"""
传进来一个文件列表,将其依次融合起来
:param filenames: 文件列表
:param passwords: 对应的密码列表
:return:
"""
# 计算共有多少文件
filenums = len(filenames)
# 注意需要使用False 参数
pdf_merger = PdfFileMerger(False)
for i in range(filenums):
# 得到密码
if passwords is None:
password = None
else:
password = passwords[i]
pdf_reader = get_reader(filenames[i], password)
if not pdf_reader:
return
# append默认添加到最后
pdf_merger.append(pdf_reader)
pdf_merger.write(open(merged_name, 'wb'))
def insert_pdf(pdf1, pdf2, insert_num, merged_name, password1=None, password2=None):
"""
将pdf2全部文件插入到pdf1中第insert_num页
:param pdf1: pdf1文件名称
:param pdf2: pdf2文件名称
:param insert_num: 插入的页数
:param merged_name: 融合后的文件名称
:param password1: pdf1对应的密码
:param password2: pdf2对应的密码
:return:
"""
pdf1_reader = get_reader(pdf1, password1)
pdf2_reader = get_reader(pdf2, password2)
# 如果有一个打不开就返回
if not pdf1_reader or not pdf2_reader:
return
# 得到pdf1的总页数
pdf1_pages = pdf1_reader.numPages
if insert_num < 0 or insert_num > pdf1_pages:
print('插入位置异常,想要插入的页数为:%d,pdf1文件共有:%d页!' % (insert_num, pdf1_pages))
return
# 注意需要使用False参数,可能会出现中文乱码的情况
m_pdf = PdfFileMerger(False)
m_pdf.append(pdf1)
m_pdf.merge(insert_num, pdf2)
m_pdf.write(open(merged_name, 'wb'))
if __name__ == '__main__':
# encrypt_pdf('ex1.pdf', 'leafage')
# decrypt_pdf('ex1123_encrypted.pdf', 'leafage')
# split_by_pages('ex1.pdf', 5)
split_by_num('ex2.pdf', 3)
# merger_pdf(['ex1.pdf', 'ex2.pdf'], 'merger.pdf')
# insert_pdf('ex1.pdf', 'ex2.pdf', 10, 'pdf12.pdf')