Python实战 | 利用PyPDF2模块快速拆分PDF文档

小编最近遇到一个需求,有一份将近1900多页的英文PDF文档,小编的英文水平只停留在初中,怎么办?只能找一些平台的文档翻译功能,大部分需要付费,免费的限制很多,例如免费用户每次最多只能翻译5页,而且文档大小最大不能超过5M到10M,拆分是最好的解决办法,人工去拆吗?1900多页,估计得累死,那么对于Python来说,则非常简单,今天跟随小编走入实战,一起学习PyPDF2模块,快速实现拆分,让你真正理解什么叫“人生苦短,我用Python”!

安装PyPDF2模块

这个模块严格区分大小写,y是小写,其余大写

pip3 install PyPDF2
image

安装完成之后呢,在本地硬盘创建一个专门存放本项目的文件夹,我这里在的存放路径是 F:\Python\PyPDF2,在F盘有个Python文件夹,在其中又创建了一个以这个模块命名的文件夹,来单独存放和与别的项目区分。

创建文件,准备PDF文档

image

找一个练手的比较大的PDF文档,我在Django官网下载了他的文档,这个文档足够大,1900多页,对于练手绝对够了,有需要的去官网下载,或者在我的公众号直接回复‘pdf’ 获取下载链接,然后再创建一个PDFCF.py 的项目文件。

开始写

程序开始两行,写上下边这两句,第一句的意思是指定这个文件的运行程序,第二句是对这个文件的说明,这个的作用现在还看不出来,但如果你知道怎么批量化快速执行程序,你就知道了它的作用,这里不做赘述。

#! python
# PDFCF.py - pdf文件拆分程序

文档的拆分思路

不固定拆分成多少份,但固定每一份由多少页组成,然后来动态的计算拆分的份数,拆分思路有了,那么下来就是列出计算公式。

拆分的份数= 文档总页数 / 拆份每个pdf组成的页数

举个例子:

假如我们要拆分一个总页数为35页的pdf文档,按照每10页组成一个新文档,那么能拆分成多少份的计算公式如下:

3.5 = 35 / 10

这时候大家注意了,除不尽有余数0.5,说明什么?用这个例子来说就是拆分成3份还余下5页,那么遇到这种情况不管余数是几都得向前进1,才能完成整个拆分,这个文档拆分的结果就是,前3个文档每个由10页组成,第四个文档则由最后5页组成,能整除则结果直接就是拆分的份数。

python拆分计算公式:

if 35 % 10:   # 判断是否有余数
  35 // 10 + 1   # 取余数整数部分加1
else:
  0         # 能整除则直接返回0
  
# 将这个循环写到一行
4 = 35 // 10 + 1 if 35 % 10 else 0

具体怎么拆?

还是以这个35页的文档拆分为例:

循环遍历每一页数据 for ****num**** in range(35),得到每一页的数据,之后再指定拆分页数范围进行拆分:

  1. 第一个文档从0--10,不包含10

  2. 第二个文档从10--20 ,不包含20

  3. 第三个文档从 20 -30,不包含30

  4. 第四个文档从30--35,不包含35

我们发现规律,每次遍历第一个数字的规律是 一个文档的页数,乘以自己属于第几个便可以得到。第二个数我们发现没规律了,其实仔细观察也有规律,假如我们对拆分个数排序,这个例子就是1--4,第二个数字就是当前属于第几个拆分数乘以每个文档组成的页数(页数是固定的10)。

可是我们第一次遍历的时候从0开始,就让num变得不通用,那么我们改造一下从1开始遍历,range(1,35),从一开始遍历,基于range不包含本身最后一个的特性,这样遍历出来就少了一页文档,那么我们给他加1,变成

  1. **for num in range(1,35+1) **

  2. 第一个文档从10(1-1)--101,不包含10

  3. 第二个文档从10(2-1)--102 ,不包含20

  4. 第三个文档从 10(3-1) -103, 不包含30

  5. 第四个文档从10(4-1)--35

具体遍历代码如下:


for num in range(1,35+1):
  pass
  for i in range(10 * (num-1), 10 * num if num != 4 else 35):
    pass

注意:当遍历到 num = 4(最后一个文档排序数时),直接返回 总页数35就可以了,到这里遍历就结束了。这里为什么是总页数35 而不是35+1呢?是因为此次遍历我们是从0开始遍历的,页码从0开始,所以不需要加1了。

完整拆分程序:

import PyPDF2

# 打开一个可读的pdf对象
pdfReader = PyPDF2.PdfFileReader('django.pdf')
# 获取pdf总页数
pdfnums = pdfReader.numPages
# 每个拆分文档由多少页组成
innumber = 100
# 计算拆分份数
outnums = pdfnums // innumber + 1 if pdfnums % innumber else 0

for num in range(1,pdfnums):
    # 创建空白的pdf
  pdfWriter = PyPDF2.PdfFileWriter()
  # 提取指定页面范围
  for pageNum in range(innumber * (num - 1), innumber * num if num != outnums else pdfnums):
    # 获取到每一页的内容
    pageObj = pdfReader.getPage(pageNum)
    # 将每一页的内容添加到第一次循环创建的空白文档对象中
    pdfWriter.addPage(pageObj)
  # 保存并写入本地文件,并对每个文档重命名
  with open('PDFREAD %s' % num + '.pdf', 'wb') as pdfOutputFile:
    pdfWriter.write(pdfOutputFile)

注意:上边这种拆分思路我个人感觉比较绕,如果你对Python列表的切边以及步长概念理解透彻的话,我觉得不需要这么复杂,只需要把总页码生成一个大列表,再把这个列表利用切片的方法拆分成多个小列表,之后每个拆分的pdf页码范围就是每个小列表第一个数--最后一个数+1,我把我用列表方法实现的代码也贴出来供大家参考。

拆分列表方法实现拆分PDF:

#! python
# PDFCF.py - pdf文件拆分程序

import PyPDF2
# import LISTCF

# 打开一个可读的pdf对象
pdfReader = PyPDF2.PdfFileReader('django.pdf')
# 获取pdf总页数
pdfnums = pdfReader.numPages
  

# 将总页码循环到一个列表中
pagenum_list = list(range(pdfnums))

n = 100

# 将总页码按照指定的个数分为多个小列表
page_list = [pagenum_list[i:i + n] for i in range(0, len(pagenum_list), n)]

for i in range(len(page_list)):
  # 创建一个空白的pdf
  pdfWriter = PyPDF2.PdfFileWriter()
  # 提取指定页面
  for pageNum in range(page_list[i][1], page_list[i][-1]+1):
    pageObj = pdfReader.getPage(pageNum)
    pdfWriter.addPage(pageObj)

  with open('PDFREAD %s' % i + '.pdf', 'wb') as pdfOutputFile:
    pdfWriter.write(pdfOutputFile)

怎么用?

image

在项目文件夹内部按住Shift键,点击鼠标右键,选择在此处打开命令窗口,输入PDFCF.py,回车即可,根据自己的需求去更改 n 的值。

image

写在最后

大家在写程序的时候尽量先不要动手写,先想思路,理清思路,这样会避免在写的过程中磕磕绊绊的情况,这个程序其实并不完美,还可以指定切分数量,自动计算每一页包含多少,还可以只提取多页到多少页这种需求,所以后边这两个需求留给大家思考完成,后边我会贴出自己的代码及思路,大家可以互相交流,创作不易,欢迎加关注转发,评论交流.

你可能感兴趣的:(Python实战 | 利用PyPDF2模块快速拆分PDF文档)