python实际应用1-将多个PDF合并

@2018年12月24日

• 背景
  由于工作性质，经常面对不同的问题，某些场景下SQL+Excel、常用办公软件不能处理，这时到网上找一些案例，自己动手用python处理。后续，借此博客记录比较典型的处理过程。
  后续，陆续实际处理的问题，如
  1. 合并PDF
  2. 拆分PDF
  3. 敏感字段MD5脱敏
  4. 从非架构化的大文本文件中提取指定条件的记录

• 需求
  工作和生活中有时会遇到将多个pdf文件，合并成一个大文件的情况。例如，扫描时，普通扫描仪或打印机一页生成一个PDF，而一份资料实际多页。Adobe的收费版有合并功能，我们可以自己动手解决。根据网上搜索了几个合并pdf的例子，都是2.X环境下的程序，因此将部分函数替换为3.x环境下。

• 合并多个PDF的python

'''# -*- coding:utf-8*-'''
import sys
import importlib
importlib.reload(sys)

import os
import os.path
from PyPDF2 import PdfFileReader, PdfFileWriter  
import time
time1=time.time()

# 使用os模块walk函数，搜索出某目录下的全部pdf文件
######################获取同一个文件夹下的所有PDF文件名#######################
def getFileName(filepath):
    file_list = []
    for root,dirs,files in os.walk(filepath):
        for filespath in files:
            # print(os.path.join(root,filespath))
            file_list.append(os.path.join(root,filespath))

    return file_list



##########################合并同一个文件夹下所有PDF文件########################
def MergePDF(filepath,outfile):
    output=PdfFileWriter()
    outputPages=0
    in_file_path =filepath +r'input/'
    print(in_file_path)
    pdf_fileName=getFileName(in_file_path)
    i=0
    for each in pdf_fileName:
        i=i+1
        print(i,each)
        # 读取源pdf文件
        input = PdfFileReader(open(each, "rb"))

        # 如果pdf文件已经加密，必须首先解密才能使用pyPdf
        if input.isEncrypted == True:
            input.decrypt("map")

        # 获得源pdf文件中页面总数
        pageCount = input.getNumPages()
        outputPages += pageCount
        print("PageCount: ",pageCount)

        # 分别将page添加到输出output中
        for iPage in range(0, pageCount):
            output.addPage(input.getPage(iPage))


    print("All Pages Number:"+str(outputPages))
    # 最后写pdf文件
    out_file_path=filepath+r'output/'
    outputStream=open(out_file_path+outfile,"wb")
    output.write(outputStream)
    outputStream.close()
    print( "finished")


if __name__ == '__main__':
    file_dir = r'D:/扫描文件/'     # 待合并PDF 所在文件夹
    out=u"某某资料合并文件.pdf"        # 合并后文件名称
    MergePDF(file_dir,out)
    time2 = time.time()
    print( u'总共耗时：' + str(time2 - time1) + 's')

• 使用注意事项
  1、程序第63行，默认指定了一个目录，“D:\扫描文件“，然后在其下建“\input”和“\output”两个子文件夹。
  2、将待合并的pdf文件放在“\input”中，合并后的文件默认为“某某资料合并文件.pdf”，可在程序第64行修改你期望的文件名，合并后文件输出到“\output”。
  3、合并多个文件时，合并顺序为文件名升序。
  补充说明，如何使用python，建议学一本免费的电子书《编程小白的第一本Python入门书》，网上可搜。

  最后，如果哪位朋友有兴趣，可以将程序第63和64行，加一个图形界面，用户在window下选择input 和output，选择输出文件名，然后做一个可执行文件。