Python利用PyPDF2快速拆分PDF文档
作者:贝湾云科技 发布时间:2021-11-06 09:39:23
目录
安装PyPDF2模块
创建文件,准备PDF文档
万事俱备,准备开拆
文档的拆分思路
python拆分计算公式:
具体怎么拆?
完整拆分程序:
列表拆分法实现拆分PDF
写在最后
“人生苦短,快学Python”,因为这句口号,我也加入了学习Python的浩浩大军,但由于Python真的是可以做的事情太多了,一时迷了眼,不知道自己应该去专攻哪个方向。
经过多方向试探,我还是选择了广而不深的web开发,Python的web开发自然离不开大名鼎鼎的Django,有一次突发奇想,下载了Django的PDF版文档,心想方便查阅,但懵逼的是PDF版竟然只有英文版,将近1900多页,无奈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。
怎么办?学Python的人会怕这个吗?
拆分,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,今天跟随我走入实战,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
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
Django官网下载了他的帮助文档,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,然后再创建一个PDFCF.py 的项目文件。
万事俱备,准备开拆
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:
第一个文档从0--10,不包含10
第二个文档从10--20 ,不包含20
第三个文档从 20 -30,不包含30
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
for num in range(1, 35+1)
第一个文档从10*(1-1)--10*1,不包含10
第二个文档从10*(2-1)--10*2 ,不包含20
第三个文档从 10*(3-1) -10*3, 不包含30
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。
列表拆分法实现拆分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?
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。
写在最后
给大家分享下我的学习方法,一般在写程序的时候尽量先不动手写,而是先想思路,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。
来源:https://juejin.cn/post/6980544115142311967
猜你喜欢
- MD5消息摘要算法(英语:MD5 Message-Digest Algorithm),一种被广泛使用的密码散列函数,可以产生出一个128位(
- 一次性读取csv文件内所有行的数据<?php $file = fopen('windows_2011_s.csv',&
- 代码如下:function HTMLEncode(fString) fString=Replace(fString,&q
- 在MySQL中,一个字符串中,如果某个序列具有特殊的含义,则这个序列以反斜线符号(‘\’)开头,称为转义字符。常见的转义字符:\0 ASCI
- 前面说到最近在写python的一些东西,然后和另外一位小伙伴定义了协议,然后昨天我有一部分东西没理解对,昨天上午我自己重写了一遍接收和发送的
- 本文出自“Python为什么”系列,归档在 Github 上:https://github.com/chinesehuazhou/pytho
- 前言: 在刚解决jupyter notebook打不开网页的问题后,我迫不及待地写了P
- 说明1、Matplotlib函数可以绘制图形,使用plot函数绘制曲线。2、需要将200个点的x坐标和Y坐标分别以序列的形式输入plot函数
- 请按步骤进行,未进行前面的步骤时,请不要做后面的步骤,以免损坏你的数据库.一般不建议做第4,6两步,第4步不安全,有可能损坏数据库或丢失数据
- © 版权符号显示不清楚,就是那个圈C,在某些网站上就是显示太小,看不清楚。一开始还以为是字体大小的原因,调大以后,还是一样
- 如下所示:#!/usr/bin/python3# -*- coding:UTF-8-*-# Author: zhuhongqiangfrom
- 近来想要做一做人脸识别相关的内容,主要是想集成一个系统,看到opencv已经集成了三种性能较好的算法,但是还是想自己动手试一下,毕竟算法都比
- 如下所示:import matplotlib.pyplot as pltimport numpy as npx = [11422,11360
- 如何在线压缩Access数据库?Access数据库可以在线压缩吗?可以的,代码和说明见下:compact.asp<%option&nb
- 场景:由于自己的电脑A性能不足,需要转移到一台高性能的主机B上运行python程序,但是该主机不能连接互联网。问题:在个人电脑A上建立了一个
- 介绍兄弟们,这个是正经的教程,不要拿来乱用,可以自己用自己的电脑或者手机试,但是别搞别人,懂的都懂!本文思路1.通过opencv调用摄像头拍
- 方法1:1.安装requests_toolbelt依赖库#代码实现def upload(self): login_
- Django版本为:2.1.7Python的web框架,MTV思想MVCModel(模板文件,数据库操作) view(视图模板文
- 最近,就“尊重”一词,个人小有感概。也许跟我说“尊重”一词的同事并不是这么想的,但我反思了一下自己,作为一名设计师,确实存在这些疑问(不足之
- 概率生成问题有一枚不均匀的硬币,要求产生均匀的概率分布有一枚均匀的硬币,要求产生不均匀的概率分布,如 0.25 和 0.75利用 Rand7