用 Python 编辑 PDF 文件

本文将说明如何使用 PyPDF2 以及正则表达式操作 PDF 文件，并从中提取有关信息。

PyPDF2

在 Python 中，用于处理 PDF 文件的库有很多，比如：

• pdfrw
• slate
• PDFQuery
• pdfminer
• pdfplumber

以上列举的几个是比较典型的库，此外还有很多，不再一一列举。

本文介绍的库名为 PyPDF2 ，其安装方法（注意，区分大小写）

1	pip install PyPDF2

每个用于读取 PDF 文件的库都有自己的特点，PyPDF2 亦非万能，如果 PDF 文件太模糊、有特殊编码、加密，或者创建的 PDF 文件的特定程序与PyPDF2不兼容，都将无法读取。所以，要多了解一些，艺不压身。

还有可能，这些库都不起作用，这是因为 PDF 有许多不同的参数，而且这些设置非常不标准，比如 PDF 中就是图片，而不是 utf-8 编码的文字。

PyPDF2 只能读取 PDF 文档中的文本，无法从 PDF 中获取图像或其他媒体文件。

读写 PDF 文件

首先，引入 PyPDF2 ，如下所示：

1 2	# 注意大小写 import PyPDF2

读文件

打开一个 PDF 文件。注意，函数 open() 中的模式设置为读取二进制的 'rb' 模式，不能只是 'r' 。

1 2	# Notice we read it as a binary with 'rb' f = open('US_Declaration.pdf','rb')

这里打开的文件名为 US_Declaration.pdf （《独立宣言》文稿），此文件下载地址：https://drive.google.com/file/d/115DPlPclA69A2VvIAfrRPoSRWA26SDvd/view?usp=sharing 。

然后读取此文件中的内容：

1 2 3 4 5 6 7 8 9 10 11 12 13 14

# pdfFileReader() 从文件对象中读取 PDF 文本内容 pdf_reader = PyPDF2.PdfFileReader(f) # 返回 PDF 文件的页数 pdf_reader.numPages # getPage() 读取指定页面的文本，下面是读取第一页 page_one = pdf_reader.getPage(0) page_one_text = page_one.extractText() # 最后的 extractText() 将第一页的内容解析为文本

写文件

不能使用 Python 编写 PDF 文件，因为 Python 的字符串与 PDF 文件中的各种字体、位置和其他参数之间存在差异。

对 PDF 文件，能称之为“写”的操作，只能是将某个指定的 PDF 页面追加到已有 PDF 文件中。如下操作所示：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

f = open('US_Declaration.pdf','rb') pdf_reader = PyPDF2.PdfFileReader(f) first_page = pdf_reader.getPage(0) # 用 pdfFileWriter() 创建一个页面 pdf_writer = PyPDF2.PdfFileWriter() # 用 addPage() 将 first_page 的内容加入到刚刚创建的页面 pdf_writer.addPage(first_page) # 以 'wb' 模式在目录中创建名为 "Some_New_Doc.pdf" 的文件 pdf_output = open("Some_New_Doc.pdf","wb") # 最后利用 pdf_wirter 的 write() 方法，将刚刚含有 first_page 的文件保存到 'Some_New_Doc.pdf' 中 pdf_writer.write(pdf_output)

搞定！复制了一个页面，并将其添加到另一个新文档中！

读取所有文本

前面使用 PyPDF2 ，读取了特定页面的文本。是否可以一次性就获取 PDF 的所有文本呢？“这个应该有”。显然，一个简单方法就是循环。

1 2 3 4 5 6 7 8 9 10

f = open('US_Declaration.pdf','rb') # 列出每页的文本 # 索引对应页码. pdf_text = [0] # 0 是占位符，能让索引 1 对应于第 1 页 pdf_reader = PyPDF2.PdfFileReader(f) for p in range(pdf_reader.numPages): page = pdf_reader.getPage(p) pdf_text.append(page.extractText())

现在，可以通过 pdf_text 的切片打印相应页面的内容，例如 print(pdf_text[1]) ，会将 PDF 文件的第 1 页打印出来。

注意，最后要执行 f.close() 关闭文件，这是一个好习惯。

在 aistudio.baidu.com 中有专门探讨从 word 文档、PDF 文档中读取文本的多种方法的项目，可以参考