您好,登錄后才能下訂單哦!
本篇內(nèi)容主要講解“用Python對(duì)PDF實(shí)現(xiàn)各種操作”,感興趣的朋友不妨來看看。本文介紹的方法操作簡(jiǎn)單快捷,實(shí)用性強(qiáng)。下面就讓小編來帶大家學(xué)習(xí)“用Python對(duì)PDF實(shí)現(xiàn)各種操作”吧!
Portable Document Format(可移植文檔格式),或者PDF是一種文件格式,可以用于跨操作系統(tǒng)的呈現(xiàn)和文檔交換。盡管PDF最初是由Adobe發(fā)明的,但它現(xiàn)在是由國際標(biāo)準(zhǔn)化組織(ISO)維護(hù)的開放標(biāo)準(zhǔn)。你可以通過使用PyPDF2包在Python中處理已先存在的PDF。
PyPDF2是一個(gè)純Python包,可用于許多不同類型的PDF操作。
本文將帶你了解如何執(zhí)行以下操作:
從Python中提取PDF中的文檔信息
旋轉(zhuǎn)頁面
合并PDF
拆分PDF
添加水印
加密PDF
pyPdf,PyPDF2和PyPDF4的歷史
最初的pyPdf軟件包于2005年發(fā)布。pyPdf的***一個(gè)正式版本是在2010年。大約一年后,一家名為Phasit的公司贊助了一個(gè)名為PyPDF2的pyPdf分支。該代碼編寫為向后與原始代碼兼容,并且用了好多年,效果一直很好,其***一個(gè)版本是在2016年。
有一個(gè)名為PyPDF3的軟件包簡(jiǎn)短系列版本,然后該項(xiàng)目被重命名為PyPDF4。所有這些項(xiàng)目都完全相同,但pyPdf和PyPDF2 +之間的***區(qū)別在于后者版本增加了Python 3支持。Python 3的原始pyPdf有一個(gè)不同的Python 3分支,但是這個(gè)分支已經(jīng)多年沒有維護(hù)了。
雖然最近放棄了PyPDF2,但新的PyPDF4與PyPDF2沒有完全的向后兼容性。本文中的大多數(shù)示例都可以與PyPDF4***配合,但也有一些不能,這就是為什么PyPDF4在本文中沒有更多的特色。隨意用PyPDF4替換PyPDF2的導(dǎo)入,看看它是如何工作的。
pdfrw:一個(gè)替代的PDF操作包
Patrick Maupin創(chuàng)建了一個(gè)名為pdfrw的軟件包,它可以完成許多與PyPDF2相同的工作。除了加密的特殊情況外,本文后面提到PyPDF2的所有操作,pdfrw均可以實(shí)現(xiàn)。
pdfrw的***區(qū)別在于它與ReportLab軟件包集成,因此你可以使用一些或所有預(yù)先存在的PDF構(gòu)建一個(gè)新的PDF。
PyPDF2的安裝
如果使用Anaconda而不是常規(guī)Python,可以使用pip或conda安裝PyPDF2。以下是使用pip安裝PyPDF2的方法:
$ pip install pypdf2
由于PyPDF2沒有任何依賴,因此安裝非???。
如何從Python中提取PDF文檔信息
我們可以使用PyPDF2從PDF中提取元數(shù)據(jù)和一些文本,尤其是當(dāng)在預(yù)先存在的PDF文件上執(zhí)行某些類型的自動(dòng)化時(shí)是非常有用的。
以下是當(dāng)前可以提取的數(shù)據(jù)類型:
Author
Creator
Producer
Subject
Title
Number of page
可以在自己的電腦上隨便找一個(gè)PDF文件進(jìn)行嘗試操作。下面是使用該P(yáng)DF編寫一些代碼,并了解如何訪問這些屬性:
from PyPDF2 import PdfFileReader def extract_information(pdf_path): with open(pdf_path, 'rb') as f: pdf = PdfFileReader(f) information = pdf.getDocumentInfo() number_of_pages = pdf.getNumPages() txt = f""" Information about {pdf_path}: Author: {information.author} Creator: {information.creator} Producer: {information.producer} Subject: {information.subject} Title: {information.title} Number of pages: {number_of_pages} """ print(txt) return information if __name__ == '__main__': path = 'xxxx.pdf' extract_information(path)
首先從PyPDF2包導(dǎo)入PdfFileReader。PdfFileReader是一個(gè)具有多種與PDF文件交互的方法的類。在此示例中,我們調(diào)用了.getDocumentInfo(),它將返回DocumentInformation的實(shí)例,包含了我們感興趣的大部分信息。我們還可以在reader對(duì)象上調(diào)用.getNumPages(),讓它返回文檔中的頁數(shù)。
information這個(gè)變量具有多個(gè)實(shí)例屬性,可以使用這些屬性從文檔中獲取所需的其余元數(shù)據(jù)。我們可以打印出該信息并將其返回以備將來使用。
雖然PyPDF2具有.extractText(),可以在其頁面對(duì)象上使用提取文本(本例中未顯示),但它的效果不是很好。有些PDF會(huì)返回文本,有些會(huì)返回空字符串。如果要從PDF中提取文本,建議應(yīng)該看一下PDFMiner項(xiàng)目。PDFMiner更加強(qiáng)大,專門用于從PDF中提取文本。
如何旋轉(zhuǎn)頁面?
有時(shí)候PDF是橫向模式而不是縱向模式,甚至是顛倒的。當(dāng)有人掃描文檔為PDF或電子郵件時(shí),很可能會(huì)發(fā)生這種情況。我們可以打印出文檔并閱讀紙質(zhì)版本,也可以使用Python的強(qiáng)大功能來旋轉(zhuǎn)有問題的頁面。
下面看一下如何使用PyPDF2旋轉(zhuǎn)文章的一些頁面:
from PyPDF2 import PdfFileReader, PdfFileWriter def rotate_pages(pdf_path): pdf_writer = PdfFileWriter() pdf_reader = PdfFileReader(path) # 順時(shí)針旋轉(zhuǎn)90度 page_1 = pdf_reader.getPage(0).rotateClockwise(90) pdf_writer.addPage(page_1) # 逆時(shí)針旋轉(zhuǎn)90度 page_2 = pdf_reader.getPage(1).rotateCounterClockwise(90) pdf_writer.addPage(page_2) # 在正常方向上添加一頁 pdf_writer.addPage(pdf_reader.getPage(2)) with open('rotate_pages.pdf', 'wb') as fh: pdf_writer.write(fh) if __name__ == '__main__': path = '新路徑.pdf' rotate_pages(path)
上面除了pdfileReader之外,還導(dǎo)入了pdfileWriter,因?yàn)槲覀冃枰帉懸粋€(gè)新的pdf。rotate_pages()獲取要修改的PDF的路徑。在這個(gè)函數(shù)中,需要?jiǎng)?chuàng)建一個(gè)可以命名為pdf-writer的writer對(duì)象和一個(gè)名為pdf-reader的reader對(duì)象。
接下來,可以使用.get page()獲取所需的頁面。上面開始輸入了第0頁,也就是***頁,調(diào)用page對(duì)象的.rotateClockwise()順時(shí)針旋轉(zhuǎn)方法并輸入90。然后同樣地,對(duì)于第二頁,調(diào)用.rotateCounterLockwise()逆時(shí)針旋轉(zhuǎn)并輸入90。
每次調(diào)用Rotation旋轉(zhuǎn)方法后,都會(huì)調(diào)用.addPage(),這將向writer對(duì)象添加頁面的旋轉(zhuǎn)版本。***一頁是第3頁,沒有對(duì)其進(jìn)行任何旋轉(zhuǎn)。***,使用.write()把所有新頁寫入新的PDF。
如何合并PDF?
在許多情況下,我們希望將兩個(gè)或多個(gè)PDF合并到一個(gè)PDF中。例如,現(xiàn)在可能有一個(gè)標(biāo)準(zhǔn)的封面,需要轉(zhuǎn)到許多類型的報(bào)告中。這時(shí)候就可以使用python來幫助完成這類工作。
下面是實(shí)現(xiàn)的代碼,完成PDF合并的操作:
from PyPDF2 import PdfFileReader, PdfFileWriter def merge_pdfs(paths, output): pdf_writer = PdfFileWriter() for path in paths: pdf_reader = PdfFileReader(path) for page in range(pdf_reader.getNumPages()): # 將每頁添加到writer對(duì)象 pdf_writer.addPage(pdf_reader.getPage(page)) # 寫入合并的pdf with open(output, 'wb') as out: pdf_writer.write(out) if __name__ == '__main__': paths = ['document1.pdf', 'document2.pdf'] merge_pdfs(paths, output='merged.pdf')
假如有一個(gè)要合并到一起的pdf列表時(shí),可以直接使用merge_pdf函數(shù)完成。此函數(shù)采用了輸入路徑和輸出路徑作為參數(shù)。
首先遍歷輸入的paths,并為每個(gè)輸入創(chuàng)建一個(gè)PDF閱讀對(duì)象。然后遍歷PDF文件中的所有頁面,并使用.addpage()將這些頁面寫入writer對(duì)象。當(dāng)完成對(duì)列表中所有PDF的所有頁面的寫入后,將在末尾寫入新的結(jié)果中。
如果不想合并每個(gè)PDF的所有頁面,可以通過添加一系列要添加的頁面來稍微增強(qiáng)這個(gè)腳本。挑戰(zhàn)一點(diǎn)的話,也可以使用Python的argparse模塊為這個(gè)函數(shù)創(chuàng)建一個(gè)命令行接口。
如何拆分PDF?
有時(shí)可能需要將PDF拆分為多個(gè)PDF,對(duì)于包含大量掃描內(nèi)容的PDF來說尤其重要。以下是如何使用PyPDF2將PDF拆分為多個(gè)文件:
from PyPDF2 import PdfFileReader, PdfFileWriter def split(path, name_of_split): pdf = PdfFileReader(path) for page in range(pdf.getNumPages()): pdf_writer = PdfFileWriter() pdf_writer.addPage(pdf.getPage(page)) output = f'{name_of_split}{page}.pdf' with open(output, 'wb') as output_pdf: pdf_writer.write(output_pdf) if __name__ == '__main__': path = 'xxx.pdf' split(path, 'jupyter_page')
這個(gè)函數(shù)中再次創(chuàng)建了PDF的reaer對(duì)象,并對(duì)其所讀取的頁面進(jìn)行遍歷。對(duì)于PDF中的每個(gè)頁面,創(chuàng)建一個(gè)新的PDF的writer實(shí)例并向其添加單個(gè)頁面。然后,將該頁面寫入一個(gè)唯一命名的文件。腳本運(yùn)行完畢后,就可以將原始PDF的每個(gè)頁面拆分為單獨(dú)的PDF。
如何添加水印?
水印是紙質(zhì)或者電子文檔上的圖像或圖案,一些水印只能在特殊照明條件下才能看到。水印的重要性在于它可以保護(hù)你的知識(shí)產(chǎn)權(quán),例如圖像或PDF。
我們可以使用Python和PyPDF2為文檔添加水印,而且是擁有僅包含水印圖像或文本的PDF。下面是向PDF添加水印方法:
from PyPDF2 import PdfFileWriter, PdfFileReader def create_watermark(input_pdf, output, watermark): watermark_obj = PdfFileReader(watermark) watermark_page = watermark_obj.getPage(0) pdf_reader = PdfFileReader(input_pdf) pdf_writer = PdfFileWriter() # 給所有頁面添加水印 for page in range(pdf_reader.getNumPages()): page = pdf_reader.getPage(page) page.mergePage(watermark_page) pdf_writer.addPage(page) with open(output, 'wb') as out: pdf_writer.write(out) if __name__ == '__main__': create_watermark( input_pdf='Jupyter_Notebook_An_Introduction.pdf', output='watermarked_notebook.pdf', watermark='watermark.pdf')
上面create_watermark有三個(gè)參數(shù):
input_pdf:要加水印的PDF文件路徑
output:要保存PDF的水印版本的路徑
watermark:包含水印圖像或文本的PDF
在代碼中,打開水印PDF并從文檔中抓取***頁,因?yàn)檫@是水印應(yīng)該駐留的位置。然后使用input_pdf和通用pdf_writer對(duì)象創(chuàng)建PDF的writer對(duì)象,以寫出帶水印的PDF。
下一步是遍歷input_pdf中的頁面,然后調(diào)用.mergePage()并以用上面讀取的水印對(duì)象watermark_page為參數(shù),這樣會(huì)將watermark_page覆蓋在當(dāng)前頁面的頂部,然后再將新合并的頁面添加到pdf_writer對(duì)象中。遍歷完成后,***將新加水印的PDF寫入磁盤。
如何加密PDF?
PyPDF2目前僅支持將用戶密碼和所有者密碼添加到預(yù)先存在的PDF。在PDF版本中,所有者密碼會(huì)提供PDF的管理員權(quán)限,并允許設(shè)置文檔的權(quán)限,而用戶密碼只允許打開文檔。
實(shí)際上,PyPDF2是不允許設(shè)置文檔的任何權(quán)限的,即使它允許設(shè)置所有者密碼的情況下。但無論如何,這是可以加密的方式,也將固有地加密PDF:
from PyPDF2 import PdfFileWriter, PdfFileReader def add_encryption(input_pdf, output_pdf, password): pdf_writer = PdfFileWriter() pdf_reader = PdfFileReader(input_pdf) for page in range(pdf_reader.getNumPages()): pdf_writer.addPage(pdf_reader.getPage(page)) pdf_writer.encrypt(user_pwd=password, owner_pwd=None, use_128bit=True) with open(output_pdf, 'wb') as fh: pdf_writer.write(fh) if __name__ == '__main__': add_encryption(input_pdf='reportlab-sample.pdf', output_pdf='reportlab-encrypted.pdf', password='twofish')
add_encryption以輸入輸出PDF路徑和要添加到PDF的密碼為參數(shù)。由于需要加密整個(gè)輸入PDF,因此需要遍歷其所有頁面并將其添加到writer編寫器。***一步是調(diào)用.encrypt(),以用戶密碼,所有者密碼以及是否應(yīng)該添加128位加密為參數(shù)。默認(rèn)情況下,要啟用128位加密。如果將其設(shè)置為False,則將應(yīng)用40位加密。
結(jié)論
PyPDF2包非常有用,可以使用PyPDF2自動(dòng)執(zhí)行腳本完成PDF文檔的批量操作。本文介紹了如何從PDF中提取元數(shù)據(jù),旋轉(zhuǎn)頁面,合并和拆分PDF,添加水印,以及添加加密的操作。
同時(shí),還要關(guān)注較新的PyPDF4包,因?yàn)樗芸炀蜁?huì)取代PyPDF2。也可以看看pdfrw包,它也可以執(zhí)行許多與PyPDF2相同的操作。
到此,相信大家對(duì)“用Python對(duì)PDF實(shí)現(xiàn)各種操作”有了更深的了解,不妨來實(shí)際操作一番吧!這里是億速云網(wǎng)站,更多相關(guān)內(nèi)容可以進(jìn)入相關(guān)頻道進(jìn)行查詢,關(guān)注我們,繼續(xù)學(xué)習(xí)!
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng),如果涉及侵權(quán)請(qǐng)聯(lián)系站長(zhǎng)郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。