进阶PDF，就用Python（PyPDF2模块）

  • Z时代
  • 2024-01-10
  • 分类：综合

python

PDF文件被广泛应用于工作和生活中，下载资料和传递只读文件都必不可少。今天我们就来详解Python在PDF中的应用。


对于PDF文件，常见的需求也就是两类：

  • 处理文件本身，属于文件页面级操作，如合并/分拆PDF页面、加/解密、加/去水印；

  • 处理文件内容，属于内容级操作，如提取文字、表格数据、图表等。


目前Python用于处理PDF的模块，主要有3个：

  • PyPDF2：模块成熟，最后一次更新在2年前，适合页面级操作，文字提取效果较差。

  • PDFMiner：擅长文字抽取，目前主分支已停止维护，取而代之的是Pdfminer.six。

  • Pdfplumber：基于pdfminer.six的文本内容抽取工具，使用门槛更低，如支持表格提取。


实战中，可以根据需求的类型选择模块。如果是页面级的操作，就用PyPDF2。如果需要内容抽取，优先使用pdfplumber。

对应的模块安装：

  • pip install pypdf2

  • pip install pdfminer.six

  • pip install pdfplumber


PyPDF2


PyPDF2的主要能力在页面级操作，比如：

  • 获取PDF文档基本信息

  • PDF分割及合并

  • PDF的旋转及排序

  • PDF加水印及去水印

  • PDF加密及解密


PyPDF2的核心两个类是PdfFileReader和PdfFileWriter，完成PDF文件的读写操作。


获取PDF文档基本信息


import pathlib
from PyPDF2 import PdfFileReader
path = list(pathlib.Path.cwd().parents)[1].joinpath('data/automate/002pdf')
f_path = path.joinpath('2020-新冠肺炎疫情对中国连锁餐饮行业的影响调研报告-中国连锁经营协会.pdf')
with open(f_path, 'rb') as f:
    pdf = PdfFileReader(f)
    info = pdf.getDocumentInfo()
    cnt_page = pdf.getNumPages()
    is_encrypt = pdf.getIsEncrypted()
print(f'''
作者: {info.author}
创建者: {info.creator}
制作者: {info.producer}
主题: {info.subject}
标题: {info.title}
总页数: {cnt_page}
是否加密: {is_encrypt}
''')


PDF分割及合并


import pathlib
from PyPDF2 import PdfFileReader, PdfFileWriter
path = list(pathlib.Path.cwd().parents)[1].joinpath('data/automate/002pdf')
f_path = path.joinpath('2020-新冠肺炎疫情对中国连锁餐饮行业的影响调研报告-中国连锁经营协会.pdf')
out_path = path.joinpath('002pdf_split_merge.pdf')
out_path_1 = path.joinpath('002pdf_split_half_front.pdf')
out_path_2 = path.joinpath('002pdf_split_half_back.pdf')
# 把文件分为两半
with open(f_path, 'rb') as f, open(out_path_1, 'wb') as f_out1, open(out_path_2, 'wb') as f_out2:
    pdf = PdfFileReader(f)
    pdf_out1 = PdfFileWriter()
    pdf_out2 = PdfFileWriter()
    cnt_pages = pdf.getNumPages()
    print(f'共 {cnt_pages} 页')
    for i in range(cnt_pages):
        if i <= cnt_pages //2:
            pdf_out1.addPage(pdf.getPage(i))
        else:
            pdf_out2.addPage(pdf.getPage(i))
    pdf_out1.write(f_out1)
    pdf_out2.write(f_out2)
# 再把后半个文件与前半个文件合并，后半个文件在前
with open(out_path, 'wb') as f_out:
    cnt_f, cnt_b = pdf_out1.getNumPages(), pdf_out2.getNumPages()
    pdf_out = PdfFileWriter()
    for i in range(cnt_b):
        pdf_out.addPage(pdf_out2.getPage(i))
    for i in range(cnt_f):
        pdf_out.addPage(pdf_out1.getPage(i))
    pdf_out.write(f_out)


PDF的旋转及排序


import pathlib
from PyPDF2 import PdfFileReader, PdfFileWriter
path = list(pathlib.Path.cwd().parents)[1].joinpath('data/automate/002pdf')
f_path = path.joinpath('2020-新冠肺炎疫情对中国连锁餐饮行业的影响调研报告-中国连锁经营协会.pdf')
out_path = path.joinpath('002pdf_rotate.pdf')
with open(f_path, 'rb') as f, open(out_path, 'wb') as f_out:
    pdf = PdfFileReader(f)
    pdf_out = PdfFileWriter()
    page = pdf.getPage(0).rotateClockwise(90)
    pdf_out.addPage(page)
    # 把第二页放到前面
    pdf_out.addPage(pdf.getPage(2))
    page = pdf.getPage(1).rotateCounterClockwise(90)
    pdf_out.addPage(page)
    pdf_out.write(f_out)


PDF加水印及去水印


加图片水印，其实就是在页面中增加一个透明背景的图片，通过页面的mergePage方法即可完成。


import pathlib
from PyPDF2 import PdfFileReader, PdfFileWriter
path = list(pathlib.Path.cwd().parents)[1].joinpath('data/automate/002pdf')
f_path = path.joinpath('2020-新冠肺炎疫情对中国连锁餐饮行业的影响调研报告-中国连锁经营协会.pdf')
wm_path = path.joinpath('watermark.pdf')
en_path = path.joinpath('002pdf_with_watermark_en.pdf')
out_path = path.joinpath('002pdf_with_watermark.pdf')
with open(f_path, 'rb') as f, open(wm_path, 'rb') as f_wm, open(out_path, 'wb') as f_out:
    pdf = PdfFileReader(f)
    pdf_wm = PdfFileReader(f_wm)
    pdf_out = PdfFileWriter()
    wm_cn_page = pdf_wm.getPage(0)
    wm_en_page = pdf_wm.getPage(1)
    cnt_pages = pdf.getNumPages()
    for i in range(cnt_pages):
        page = pdf.getPage(i)
        page.mergePage(wm_cn_page)
        pdf_out.addPage(page)
    pdf_out.write(f_out)


去水印，就比较复杂，需要根据不同情况具体分析。因为水印可能是文字、图片或者各种组合，关键是识别出特征。

去水印的3个常见思路参考：

1.找到特征词后替换，适合英文文档，但不适用于中文等CJK字符。

2.把PDF页转成图片后，用图像算法去水印，但这样会破坏文件原信息结构。

3.根据水印大小位置特征，找到所有元素后删除。这是更推荐的方式。

第3种方式效果最好，但如果碰到一些复杂的文档水印，就非常考验耐心。


你得一个个识别操作命令，一边替换一边检查效果，直到水印成功去除。

但，未必剩下的所有页都可以用同样特征模式来消除，因为这份PDF可能经过多人加水印，已经包含多种加水印方式。

所以，去水印并没有一种100%安全有效（不错删信息）且通用的方法。


加水印、去水印本质上是一种攻防策略。

比如一些工具推出去水印功能，一旦公开，加水印方就能识别并避开它的去除方法。


最后，尊重版权，是每个人应有的态度。

除了学习外，正式使用时，应该遵守内容创作方的规则。


PDF加密解密


PDF里的密码，分为用户密码和所有者密码。

PyPDF2里提供了基本的加密功能，“防君子不防小人”。

如果打开PDF文件后，复制了新文件，那新文件就不受所有者密码的约束，可被修改。


import pathlib
from PyPDF2 import PdfFileReader, PdfFileWriter
path = list(pathlib.Path.cwd().parents)[1].joinpath('data/automate/002pdf')
f_path = path.joinpath('2020-新冠肺炎疫情对中国连锁餐饮行业的影响调研报告-中国连锁经营协会.pdf')
out_path_encrypt = path.joinpath('002pdf_encrypt.pdf')
out_path_decrypt = path.joinpath('002pdf_decrypt.pdf')
with open(f_path, 'rb') as f, open(out_path_encrypt, 'wb') as f_out:
    pdf = PdfFileReader(f)
    pdf_out = PdfFileWriter()
    cnt_pages = pdf.getNumPages()
    for i in range(cnt_pages):
        page = pdf.getPage(i)
        pdf_out.addPage(page)
    pdf_out.encrypt('123456', owner_pwd='654321')
    pdf_out.write(f_out)
# 重新读取加密文件并生成解密文件
with open(out_path_encrypt, 'rb') as f, open(out_path_decrypt, 'wb') as f_out:
    pdf = PdfFileReader(f)
    if not pdf.isEncrypted:
        print('文件未被加密')
    else:
        success = pdf.decrypt('123456')
        # if not success:
        pdf_out = PdfFileWriter()
        pdf_out.appendPagesFromReader(pdf)
        pdf_out.write(f_out)


因为篇幅有限，今天只讲解PyPDF2模块。下篇我们继续分享pdfminer.six和pdfplumber模块，大家不要错过~更多Python学习，就在云海天Python教程网。

以上是 进阶PDF，就用Python（PyPDF2模块） 的全部内容， 来源链接： utcz.com/z/528959.html

回到顶部