最近一个小demo需要对PDF进行操作,于是一不做而不休本着人人为我,我为人人的角度写我在做PDF操作时候用到的方法,同时也相当于给自己做知识普及,
pypdf2模块:
可以读取、写入、分割、合并PDF文件,需要单独安装
pdfplumber模块:
为了更好的读取PDF文件内容
可以提取PDF中的表格
因此若处理对象是PDF文档本身,则推荐使用pypdf2,如对 PDF 文档进行分割,合并, 插入等操作。
若处理对象是 PDF 文档中的文本,表格等内容,则推荐使用 pdfplumber。
pdfplumber库按页处理 pdf ,获取PDF中的每个文本字符、矩形和行的详细信息,以及可以进行表格提取和可视化调试。主要应用于机器生成的PDF上,而非扫描的pdf文档。
具体介绍地址:https://github.com/jsvine/pdfplumber
pip install pdfplumber
pip install pdfplumber
apt install python-pdfplumber
pip install pdfplumber
然后进行测试,如果能够正常显示则表明倒入成功。
import pdfplumber
with pdfplumber.open("test.pdf") as pdf:
first_page = pdf.pages[0]
print(first_page.chars[0])
其中:pdfplumber提供了两种读取pdf的方式:
pdfplumber.open("test.pdf")
pdfplumber.load(file_like_object)
这两种方法都返回pdfplumber.PDF类的实例(instance)。
加载带密码的pdf需要传入参数password,例如:
pdfplumber.open("file.pdf", password = "test")
import pdfplumber
with pdfplumber.open("test.pdf") as pdf:
first_page = pdf.pages[0]
text = first_page.extract_text()#提取文本
print(text)
import pdfplumber
with pdfplumber.open("test.pdf") as pdf:
for page in pdf.pages: #遍历所有页码
text = page.extract_text()#提取文本
print(text)
import pdfplumber
with pdfplumber.open("test.pdf") as pdf:
for page in pdf.pages:
text = page.extract_text()#提取文本
txt_file = open("test2.txt",mode='a',encoding='utf-8')
txt_file.write(text)
pdfplumber的表检测方法大量借鉴了Anssi Nurminen的硕士学位论文),并受到Tabula的启发。 它是这样的:
# 提取pdf表格
import pdfplumber
with pdfplumber.open("test.pdf") as pdf:
PDF = pdf.pages[0] #指定页码
table1 = PDF.extract_table()#提取单个表格
# table2 = PDF.extract_tables()#提取多个表格
print(table1)
具体提取参数设置可以参考https://blog.csdn.net/weixin_48629601/article/details/107224376
pip install pypdf2
pip install pypdf2
apt install python-pypdf2
pip install pypdf2
PyPDF2 中有两个最常用的类:PdfFileReader和PdfFileWriter,分别用于读取 PDF 和写入 PDF。其中PdfFileReader传入参数可以是一个打开的文件对象,也可以是表示文件路径的字符串。而PdfFileWriter则必须传入一个以写方式打开的文件对象。
属性和方法 | 描述 |
---|---|
getDestinationPageNumber(destination) | 检索给定目标对象的页码 |
getDocumentInfo() | 检索 PDF 文件的文档信息字典 |
getFields(tree = None,retval = None,fileObj= None) | 如果此 PDF 包含交互式表单字段,则提取字段数据 |
getFormTextFields() | 从文档中检索带有文本数据(输入,下拉列表)的表单域 |
getNumPages() | 计算此 PDF 文件中的页数 |
getOutlines(node = None,outline = None,) | 检索文档中出现的文档大纲 |
getPage(pageNumber) | 从这个 PDF 文件中检索指定编号的页面 |
getPageLayout() | 获取页面布局 |
getPageMode() | 获取页面模式 |
getPageNumber(pageObject) | 检索给定 pageObject 处于的页码 |
getXmpMetadata()) | 从 PDF 文档根目录中检索 XMP 数据 |
isEncrypted | 显示 PDF 文件是否加密的只读布尔属性 |
namedDestinations | 访问该getNamedDestinations()函数的只读属性 |
# encoding:utf-8
from PyPDF2 import PdfFileReader, PdfFileWriter
readFile = 'RxJava 完全解析.pdf'
# 获取 PdfFileReader 对象
pdfFileReader = PdfFileReader(readFile) # 或者这个方式:pdfFileReader = PdfFileReader(open(readFile, 'rb'))
# 获取 PDF 文件的文档信息
documentInfo = pdfFileReader.getDocumentInfo()
print('documentInfo = %s' % documentInfo)
# 获取页面布局
pageLayout = pdfFileReader.getPageLayout()
print('pageLayout = %s ' % pageLayout)
# 获取页模式
pageMode = pdfFileReader.getPageMode()
print('pageMode = %s' % pageMode)
xmpMetadata = pdfFileReader.getXmpMetadata()
print('xmpMetadata = %s ' % xmpMetadata)
# 获取 pdf 文件页数
pageCount = pdfFileReader.getNumPages()
print('pageCount = %s' % pageCount)
for index in range(0, pageCount):
# 返回指定页编号的 pageObject
pageObj = pdfFileReader.getPage(index)
print('index = %d , pageObj = %s' % (index, type(pageObj))) #
# 获取 pageObject 在 PDF 文档中处于的页码
pageNumber = pdfFileReader.getPageNumber(pageObj)
print('pageNumber = %s ' % pageNumber)
这个类支持 PDF 文件,给出其他类生成的页面。
属性和方法 | 描述 |
---|---|
addAttachment(fname,fdata) | 在 PDF 中嵌入文件 |
addBlankPage(width= None,height=None) | 追加一个空白页面到这个 PDF 文件并返回它 |
addBookmark(title,pagenum,parent=None,color=None,bold=False,italic=False,fit=’/fit,*args’) | |
addJS(javascript) | 添加将在打开此 PDF 是启动的 javascript |
addLink(pagenum,pagedest,rect,border=None,fit=’/fit’,*args) | 从一个矩形区域添加一个内部链接到指定的页面 |
addPage(page) | 添加一个页面到这个PDF 文件,该页面通常从 PdfFileReader 实例获取 |
getNumpages() | 页数 |
getPage(pageNumber) | 从这个 PDF 文件中检索一个编号的页面 |
insertBlankPage(width=None,height=None,index=0) | 插入一个空白页面到这个 PDF 文件并返回它,如果没有指定页面大小,就使用最后一页的大小 |
insertPage(page,index=0) | 在这个 PDF 文件中插入一个页面,该页面通常从 PdfFileReader 实例获取 |
removeLinks() | 从次数出中删除连接盒注释 |
removeText(ignoreByteStringObject = False) | 从这个输出中删除图像 |
write(stream) | 将添加到此对象的页面集合写入 PDF 文件 |
def addBlankpage():
readFile = 'test.pdf'
outFile = 'test1.pdf'
pdfFileWriter = PdfFileWriter()
# 获取 PdfFileReader 对象
pdfFileReader = PdfFileReader(readFile) # 或者这个方式:pdfFileReader = PdfFileReader(open(readFile, 'rb'))
numPages = pdfFileReader.getNumPages()
for index in range(0, numPages):
pageObj = pdfFileReader.getPage(index)
pdfFileWriter.addPage(pageObj) # 根据每页返回的 PageObject,写入到文件
pdfFileWriter.write(open(outFile, 'wb'))
pdfFileWriter.addBlankPage() # 在文件的最后一页写入一个空白页,保存至文件中
pdfFileWriter.write(open(outFile,'wb'))
from PyPDF2 import PdfFileReader, PdfFileWriter
file_reader = PdfFileReader("Python编码规范中文版.pdf")
# getNumPages() 获取总页数
for page in range(file_reader.getNumPages()):
# 实例化对象
file_writer = PdfFileWriter()
# 将遍历的每一页添加到实例化对象中
file_writer.addPage(file_reader.getPage(page))
with open("D:\\pdffiles\\{}.pdf".format(page),'wb') as out:
file_writer.write(out)
from PyPDF2 import PdfFileReader, PdfFileWriter
file_writer = PdfFileWriter()
for page in range(34):
# 循环读取需要合并pdf文件
file_reader = PdfFileReader("{}.pdf".format(page))
# 遍历每个pdf的每一页
for page in range(file_reader.getNumPages()):
# 写入实例化对象中
file_writer.addPage(file_reader.getPage(page))
with open("合并.pdf",'wb') as out:
file_writer.write(out)
# 旋转pdf,只能按照90度的倍数旋转
from PyPDF2 import PdfFileReader, PdfFileWriter
file_reader = PdfFileReader("test.pdf")
file_writer = PdfFileWriter()
page = file_reader.getPage(0).rotateClockwise(90) # 第1页顺时针旋转90度
file_writer.addPage(page) # 写入
page = file_reader.getPage(1).rotateCounterClockwise(90) # 第2页逆时针旋转90度
file_writer.addPage(page) # 写入
with open("旋转.pdf",'wb') as out:
file_writer.write(out)
from PyPDF2 import PdfFileReader, PdfFileWriter
file_reader = PdfFileReader("test.pdf")
file_writer = PdfFileWriter()
for page in range(file_reader.getNumPages()):
file_writer.addPage(file_reader.getPage(page))
file_writer.encrypt('123456') # 设置密码
with open("加密后.pdf",'wb') as out:
file_writer.write(out)
from PyPDF2 import PdfFileReader, PdfFileWriter
file_reader = PdfFileReader("加密后.pdf")
file_reader.decrypt('123456')
file_writer = PdfFileWriter()
for page in range(file_reader.getNumPages()):
file_writer.addPage(file_reader.getPage(page))
with open("解密后.pdf",'wb') as out:
file_writer.write(out)
# 添加水印
from PyPDF2 import PdfFileReader, PdfFileWriter
from copy import copy
sy = PdfFileReader("test.pdf")
mark_page = sy.getPage(0) # 水印所在的页数
# 读取添加水印的文件
file_reader = PdfFileReader("test1.pdf")
file_writer = PdfFileWriter()
for page in range(file_reader.getNumPages()):
# 读取需要添加水印每一页pdf
source_page = file_reader.getPage(page)
new_page = copy(mark_page) #
new_page.mergePage(source_page) # new_page(水印)在下面,source_page原文在上面
file_writer.addPage(new_page)
with open("test2.pdf",'wb') as out:
file_writer.write(out)
附上github地址:https://github.com/jsvine/pdfplumber
http://mstamy2.github.io/PyPDF2/