用Python显示和处理PDF文件

pdf是电子书，文档经常会用的格式，除了下载各种阅读器以外，我们也可以用Python批量处理大量PDF文件。本文用到了pypdf2，pdfminer.six，pdf2image来做常规处理。

pypdf2 获取pdf的基本信息，如作者，书名，页数等

  5 from PyPDF2 import PdfFileReader
  6
  7 def extract_information(pdf_path,filename):
  8     try:
  9         with open(pdf_path, 'rb') as f:
 10             pdf = PdfFileReader(f)
 11             information = pdf.getDocumentInfo()
 12             number_of_pages = pdf.getNumPages()
 13
 14             title=filename.split('.pdf')[0]
 15             if information.title is not None and len(information.title)>0:
 16                 title=information.title
 17             print(f"{title} page : {number_of_pages}")
 18     except Exception as e:
 19         pass

基于文字的PDF

pdfminer.six 可以取出文本

  8 from io import StringIO
  9 from pdfminer.layout import LAParams
 10 from pdfminer.high_level import extract_text_to_fp

 16   def get_text(path):
 17     output_string = StringIO()
 18     with open(path, 'rb') as fin:
 19         extract_text_to_fp(fin, output_string)
 20     print(output_string.getvalue().strip())

基于扫描图片的PDF

pdf2image 可以提出所有页面存为图片，但因为IO的性能问题。作者提出最好用SSD硬盘和多线程。

 6 from pdf2image import convert_from_path
    
 12 def get_cover(path,filename):
 13     images=convert_from_path(path)
 14     images[0].save(filename+'.jpg')

上面的代码把封面（第一页）取了出来，保存为图片

批量处理

我们可以用Python自带的文件处理功能，结合上面的三个函数，批量处理books目录下的大量pdf文件。

 38 if __name__ == '__main__':
 39     book_folder=os.path.join(Path.home(),'books')
 40     for pdf in os.listdir(book_folder):
 41         if pdf.endswith('.pdf'):
 42             path=os.path.join(book_folder,pdf)
 43             title,page=extract_information(path,pdf)
 44             if page>0 and page<50:
 45                 get_text(path)
 46             get_cover(path,pdf)