User:Xyy23330121/Python/pdf
 |  |
本章节将基于第三方库 PyPDF2 来讲述如何使用 Python 处理 PDF 文件。
PyPDF2 需要大于 3.6 版本的 Python 才能正常运行。对于使用从 python.org 下载的 Windows 版本的 Python，我们可以从命令行程序中，输入以下代码以安装 PyPDF2。
python -m pip install PyPDF2如果链接不畅，或者下载失败。可以用以下代码，改为从清华大学提供的托管服务器中下载 requests。
python -m pip install PyPDF2 -i https://pypi.tuna.tsinghua.edu.cn/simplePyPDF 的部分功能需要在安装一些额外的依赖项目才能使用。以下将列出这些功能，与安装依赖项目的方法。
如果希望提取 PDF 中的图片，则需要使用以下代码安装依赖项目：
python -m pip install PyPDF2[image]如果希望使用 AES 加密或解密 PDF 文件，则需要使用以下代码安装依赖项目：
python -m pip install PyPDF2[crypto]如果只需要使用 RC4 加密，则不需要此依赖项。
可以使用以下代码直接安装全部依赖项：
python -m pip install PyPDF2[full]PyPDF2 使用 PdfReader 类来读取 pdf 文件。使用示例如下：
from PyPDF2 import PdfReader
reader = PdfReader("example.pdf") #输入pdf文件所对应的路径，读取该pdf文件
PdfReader 在创建时有三个参数：
- stream：表示需要处理的 pdf 文件。这里可以是经过内置
open()函数打开的支持读取的文件对象，也可以是以字符串形式或 os.PathLike 形式的路径。 - strict：（默认为 False）如果为 True，则在读取 pdf 文件中产生的任何问题都会报错。
- password：（默认为 None）如果 pdf 文件具有密码，输入密码以在导入文件时进行解密。密码可以为字符串或 bytes 类型。如果不输入密码，则不会进行解密。
在导入文件后，我们可以提取 pdf 文件的元信息。
from PyPDF2 import PdfReader
reader = PdfReader("example.pdf")
meta = reader.metadata #读取元信息
print(len(reader.pages)) #页数
print(meta.author) #作者（若元信息中没有记录作者，则为空）
print(meta.creator) #文件创建者（若元信息中不包含创建者，则为空）
print(meta.producer) #文件提供者（若元信息中不包含提供者，则为空）
print(meta.subject) #主题（若元信息中不包含主题，则为空）
print(meta.title) #标题（若元信息中不包含标题，则为空）
通过以下方法，还可以提取所选择页内的文字。
from PyPDF2 import PdfReader
reader = PdfReader("example.pdf")
page = reader.pages[0] #选择第 1 页。
print(page.extract_text()) #提取第 1 页的所有文字，以文本形式输出。
在提取时，还可以添加以下参数来筛选提取的文字信息。这些参数必须 按关键字传入。
- orientations：以整数角度筛选文字朝向，0 为向上，90 为向左，180 为颠倒，270 为向右。可以传入包含多个角度的整数数组以同时筛选多个朝向。默认为
(0, 90, 180, 270)，即不筛选。 - space_width：空格宽度（默认为200.0）
- visitor_opperand_before：参见文档
- visitor_opperand_after：参见文档
- visitor_text：参见文档
可以用以下方式提取指定页的图片。
from PyPDF2 import PdfReader
reader = PdfReader("example.pdf")
page = reader.pages[0]
count = 0
for image_file_object in page.images:
with open(str(count) + image_file_object.name, "wb") as fp:
fp.write(image_file_object.data)
count += 1
https://pypdf2.readthedocs.io/en/3.x/user/encryption-decryption.html
PyPDF2 使用 PdfWriter 类来编辑与输出 pdf 文件。其基本使用方法如下：
from PyPDF2 import PdfReader, PdfWriter
writer = PdfWriter() #创建一个 PdfWriter 对象。
with open("new.pdf", "wb") as f: #把 PdfWriter 的内容存储到文件中。
writer.write(f)
以下方法用于批量添加一个PDF里面的页面。
from PyPDF2 import PdfReader, PdfWriter
writer = PdfWriter() #创建 writer
with open("document.pdf", "rb") as doc:
writer.append(doc) #将 document.pdf 里面的所有内容添加到 writer 的末尾
with open("new.pdf", "wb") as f: #存储 writer
writer.write(f)
具体来讲，PdfWriter.append() 支持以下参数：
- fileobj 要添加的页面所在的 PDF 文件。此项可以支持 read 方法的字节流、PDF 文件的路径字符串，或者一个 pypdf2.PdfReader 实例。
- outline_item 字符串书签内容。在添加页面时，会先增加一个书签，以标记“增加的页面”的起始位置。
- pages 添加的页面范围。fileobj 中、仅在该范围内的页面会被添加。可以是以下形式：
- pypdf2.PageRange 实例
(start, stop[, step])形式的元组。- 要添加的页面组成的列表。比如
[0, 2, 5]就是添加第0、2和第5页。
- import_outline （默认为False）如果为True，则当页面具有书签时，会把书签也一并添加。
- excluded_fields (List) – provide the list of fields/keys to be ignored if “/Annots” is part of the list, the annotation will be ignored if “/B” is part of the list, the articles will be ignored
https://pypdf2.readthedocs.io/en/3.x/user/merging-pdfs.html https://pypdf2.readthedocs.io/en/3.x/user/cropping-and-transforming.html
我们还可以给 pdf 文件增加元信息。这里以修改元信息为例：
from PyPDF2 import PdfReader, PdfWriter
writer = PdfWriter() #创建一个PDF写入对象，作为副本对象。
writer.append("example.pdf") #将原PDF的所有页面导入副本对象。
#将所需的元数据写入副本对象。
writer.add_metadata(
{
"/Author": "Martin",
"/Producer": "Libre Writer",
}
)
with open("meta_edit.pdf", "wb") as f: #最后，把副本对象的内容存储到文件中。
writer.write(f)
https://pypdf2.readthedocs.io/en/3.x/user/add-watermark.html
https://pypdf2.readthedocs.io/en/3.x/user/reading-pdf-annotations.html https://pypdf2.readthedocs.io/en/3.x/user/adding-pdf-annotations.html
https://pypdf2.readthedocs.io/en/3.x/user/forms.html
https://pypdf2.readthedocs.io/en/3.x/user/file-size.html
https://pypdf2.readthedocs.io/en/3.x/user/suppress-warnings.html