PyPDF2 | 利用 Python 实现 PDF 分割

1. PDF 分割

由于疫情影响被迫在家上网课，因此教材也只能用电子版。但有一门教材是对开的扫描版，导致在 iPad 上阅读很不友好，因此决定寻找一个工具将 PDF 对半分开。

图1 分割前的 PDF

在百度了一番后，发现大多都是使用 Adobe Acrobat 软件进行剪裁，这完全不 Pythonic，因此又找了用 Python 处理 PDF 文件的方法，最后发现了 PyPDF2 这个库，本文将利用这个库，实现对 PDF 的分割。

首先，你需要通过 pip 安装这个库：

pip install PyPDF2

实现切割 PDF 的思想很简单，只要我们能测量出 PDF 的长宽，接着分别将左右裁剪拼接即可，而 PyPDF2 已经提供了这些功能：

# PdfFileReader 模块用于读取 pdf
# PdfFileWriter 模块用于创建要保存的 pdf
from PyPDF2 import PdfFileReader, PdfFileWriter

# 1. 读取 pdf
pdf_input = PdfFileReader(open('xxx.pdf', 'rb'))

# 2. 创建要保存的 pdf 对象
pdf_output = PdfFileWriter()

# 3. 选取第一页 pdf 读取长宽
page = pdf_input_left.getPage(0)
width = float(page.mediaBox.getWidth())
height = float(page.mediaBox.getHeight())

# 4. 计算 pdf 的总页数
page_count = pdf_input_left.getNumPages()

# 5. 修改某一页 pdf 的尺寸
page = pdf_input.getPage(i)
page.mediaBox.lowerLeft = (x,y)
page.mediaBox.lowerRight = (x,y)
page.mediaBox.upperLeft = (x,y)
page.mediaBox.upperRight = (x,y)

# 6. 将修改好的 pdf 添加到我们要输出的文件中
pdf_output.addPage(page)

# 7. 循环所有的页数后，将文件输出为 pdf 文件
pdf_output.write(open('xxx,pdf', 'wb'))

需要注意的是，PyPDF2 默认将较短的边作为 X 轴，较长的边作为 Y 轴，对应的坐标如下：

图2 纵向比例下的 PyPDF2 坐标

然而我们的 PDF 是横向比例的，如下图所示：

图3 横向比例 PDF 示例

相当于：

图4 横向比例下的 PyPDF2 坐标

即：

图5 旋转后的横向比例下的 PyPDF2 坐标

要注意与图 1 坐标的区别。

在弄清楚了 PyPDF 的坐标后，我们就可以通过调整四个角的坐标来分别获得左右两个 PDF 了，对于左边的 PDF，其对应的坐标为：

图6 左半图的 PyPDF2 坐标

因此坐标设置如下：

page_left.mediaBox.lowerLeft = (0, height/2)
page_left.mediaBox.lowerRight = (width, height/2)
page_left.mediaBox.upperLeft = (0, height)
page_left.mediaBox.upperRight = (width, height)

而右半图的坐标为：

图7 右半图的 PyPDF2 坐标

对应的坐标设置为：

page_right.mediaBox.lowerLeft = (0, 0)
page_right.mediaBox.lowerRight = (width, 0)
page_right.mediaBox.upperLeft = (0, height/2)
page_right.mediaBox.upperRight = (width, height/2)

最后汇总得：

from PyPDF2 import PdfFileReader, PdfFileWriter

infile = '应用多元统计分析 高惠璇.pdf'
outfile = '应用多元统计分析 高惠璇 split.pdf'

pdf_input_left = PdfFileReader(open(infile, 'rb'))
pdf_input_right = PdfFileReader(open(infile, 'rb'))
pdf_output = PdfFileWriter()

page = pdf_input_left.getPage(0)
width = float(page.mediaBox.getWidth())
height = float(page.mediaBox.getHeight())
page_count = pdf_input_left.getNumPages()

for i in range(page_count):
    # left page
    page_left = pdf_input_left.getPage(i)
    page_left.mediaBox.lowerLeft = (0, height/2)
    page_left.mediaBox.lowerRight = (width, height/2)
    page_left.mediaBox.upperLeft = (0, height)
    page_left.mediaBox.upperRight = (width, height)
    pdf_output.addPage(page_left)
    
    # right page
    page_right = pdf_input_right.getPage(i)
    page_right.mediaBox.lowerLeft = (0, 0)
    page_right.mediaBox.lowerRight = (width, 0)
    page_right.mediaBox.upperLeft = (0, height/2)
    page_right.mediaBox.upperRight = (width, height/2)
    pdf_output.addPage(page_right)

pdf_output.write(open(outfile, 'wb'))

看下转换效果，Bingo！

图8 转换后的 PDF 效果

2. 调整边缘

转换后发现，PDF 存在这黑边，因此我们可以通过调整对应的坐标来减少黑边的现象：

图9 PDF 黑边

from PyPDF2 import PdfFileReader, PdfFileWriter
def pdf_split(infile, outfile, left_margin=0, right_margin=0, down_margin=0):
    pdf_input_left = PdfFileReader(open(infile, 'rb'))    # 读取切割为左边的 pdf
    pdf_input_right = PdfFileReader(open(infile, 'rb'))   # 读取切割为右边的 pdf
    pdf_output = PdfFileWriter()                          # 定义要保存的 pdf

    page = pdf_input_left.getPage(0)                      # 选取第一页 来读取 pdf 的长宽
    width = float(page.mediaBox.getWidth())
    height = float(page.mediaBox.getHeight())
    page_count = pdf_input_left.getNumPages()             # 读取 pdf 页数

    for i in range(page_count):
        # 切割左边 pdf
        page_left = pdf_input_left.getPage(i)
        page_left.mediaBox.lowerLeft = (0, height/2)
        page_left.mediaBox.lowerRight = (width, height/2)
        page_left.mediaBox.upperLeft = (down_margin, height-left_margin)
        page_left.mediaBox.upperRight = (width, height-left_margin)
        pdf_output.addPage(page_left)
    
        # 切割右边 pdf
        page_right = pdf_input_right.getPage(i)
        page_right.mediaBox.lowerLeft = (down_margin, right_margin)
        page_right.mediaBox.lowerRight = (width, right_margin)
        page_right.mediaBox.upperLeft = (down_margin, height/2)
        page_right.mediaBox.upperRight = (width, height/2)
        pdf_output.addPage(page_right)

    pdf_output.write(open(outfile, 'wb')) # 保存 pdf
    print('Done!')

infile = '应用多元统计分析 高惠璇.pdf'
outfile = '应用多元统计分析 高惠璇 split.pdf'
left_margin=10
right_margin=10
down_margin = 20
pdf_split(infile, outfile, left_margin, right_margin, down_margin)

Done!

看下最后效果：

图10 调整后的 PDF 黑边情况

---

其他文章推荐

机器学习算法与 Python 实现专栏

SQL 入门教程专栏