使用Python操作PDF文件
作者:springsnow 发布时间:2022-01-01 06:15:12
从PDF读取文本内容和从已经有的文档生成新的PDF。
需要用到的模块是PyPDF2.
mstamy2/PyPDF2: A utility to read and write PDFs with Python (github.com)
同时,还要关注较新的PyPDF4包,因为它很快就会取代PyPDF2。
claird/PyPDF4: A utility to read and write PDFs with Python (github.com)
也可以看看pdfrw包,它也可以执行许多与PyPDF2相同的操作。
pmaupin/pdfrw: pdfrw is a pure Python library that reads and writes PDFs (github.com)
首先安装PyPDF2,在命令行中运行,由于PyPDF2没有任何依赖,因此安装非常快。
pip install PyPDF2
操作方法
1、从PDF读取文本
PyPDF2无法从pdf文档中提取图像,图表和其他媒体,但是它可以提取文本,并且将文本返回为python字符串。
import PyPDF2
# ===============从pdf中提取文本===========
pdffile = open(r'E:\python让繁琐的工作自动化\13_处理pdf和word文档\data\meetingminutes.pdf', 'rb') # 读取pdf文件
pdfreader = PyPDF2.PdfFileReader(pdffile) # 读入到
print(pdfreader.numPages) # 读取pdf页数======19
获取第一页的内容:
page0 = pdfreader.getPage(0) #获取第1页,第一页是0
print(page0.extractText()) # 获取第2页的内容,返回的是字符串
内容是
2、解密PDF
某些文档有加密功能,为了防止别人阅读,只有在打开文档的时候提供口令才能阅读。我打开的文件的加密口令是rosebud.
其实在读取一个pdf文件是首先应该确定它是否加密了。如果加密,isEncrypted属性就会返回True.此时就需要口令了。
# 某些pdf文件是加密的,防止别人阅读的,只有打开文档的时候提供口令才能阅读
pdf_reader = PyPDF2.PdfFileReader(open(r'E:\python让繁琐的工作自动化\13_处理pdf和word文档\data\encrypted.pdf','rb'))
print(pdf_reader.isEncrypted) # 文件是否加密
返回的结果是:
如果这时候不输入口令就获取内容的话。
print(pdf_reader.getPage(0)) # PyPDF2.utils.PdfReadError: file has not been decrypted 文件还没有解锁
会提示出现错误。
此时调用decrypt方法,输入口令,再读取就可以啦。
print(pdf_reader.decrypt('rosebud')) # rosebud==正确口令显示1,其他显示0
page_obj = pdf_reader.getPage(0) # 这样才能正确读取
print(page_obj.extractText())
3、创建PDF
PyPDF2可以创建一个新的PDF文件,但是不能将任何文本写入到PDF。其写入PDF的能力,仅限于从其他PDF中拷贝页面、旋转页面、重叠页面和加密文件。后面一一介绍。
4、拷贝页面
# ==========拷贝页面==============
pdffile1 = open(r'E:\python让繁琐的工作自动化\13_处理pdf和word文档\data\meetingminutes.pdf', 'rb')
pdffile2 = open(r'E:\python让繁琐的工作自动化\13_处理pdf和word文档\data\meetingminutes2.pdf', 'rb')
pdf1_reader = PyPDF2.PdfFileReader(pdffile1)
pdf2_reader = PyPDF2.PdfFileReader(pdffile2)
# 创建一个pdf文档,这个只是代表pdf文档的值,并没有创建实际的文档。
pdf_writer = PyPDF2.PdfFileWriter()
# 将文档一页一页的读入到新的文档
for pagenum in range(pdf1_reader.numPages):
pageobj = pdf1_reader.getPage(pagenum)
pdf_writer.addPage(pageobj)
for pagenum in range(pdf2_reader.numPages):
pageobj = pdf2_reader.getPage(pagenum)
pdf_writer.addPage(pageobj)
# write方法才能真正生成一个文件
pdfoutputfile = open('combin.pdf','wb')
pdf_writer.write(pdfoutputfile)
pdfoutputfile.close()
pdffile1.close()
pdffile2.close()
在对应目录下生成pdf文件
5、旋转页面
利用rotateClockwise()和rotateCounterClockwise()方法PDF页面可以旋转90的整倍数。
pdffile1 = open(r'E:\python让繁琐的工作自动化\13_处理pdf和word文档\data\meetingminutes.pdf', 'rb')
pdfreaders = PyPDF2.PdfFileReader(pdffile1)
page = pdfreaders.getPage(0) # 获取第一页
page.rotateClockwise(90) # 第一页旋转90度
# 创建一个新的PDF文档
pdfwriter = PyPDF2.PdfFileWriter()
# 添加内容
pdfwriter.addPage(page)
# 真实创建PDF文件并写入内容
result = open('ratated.pdf','wb')
pdfwriter.write(result)
# 关闭文件
result.close()
pdffile1.close()
点击开PDF文档,结果是:
6、叠加页面
有的时候需要在PDF中添加公司的标志、时间戳或水印。我们用这个库依然可以实现。
# 给指定的页面添加水印、公司标志或者时间戳。
pdffile1 = open(r'E:\python让繁琐的工作自动化\13_处理pdf和word文档\data\meetingminutes.pdf', 'rb')
pdf_reader1 = PyPDF2.PdfFileReader(pdffile1)
# 获取该文档的第一页
first_page = pdf_reader1.getPage(0)
# 打开印有水印的PDF文件
water_pdf = PyPDF2.PdfFileReader(r'E:\python让繁琐的工作自动化\13_处理pdf和word文档\data\watermark.pdf', 'rb')
# 在上一个文档的第一页中加入这个有水印的文件
first_page.mergePage(water_pdf.getPage(0))
# 将读取的内容写入到对象中
pdfwriter = PyPDF2.PdfFileWriter()
pdfwriter.addPage(first_page)
结果是:
7、加密PDF
我们可以对拷贝的页面进行加密。
pdffile1 = open(r'E:\python让繁琐的工作自动化\13_处理pdf和word文档\data\meetingminutes.pdf', 'rb')
pdf_reader1 = PyPDF2.PdfFileReader(pdffile1)
# 将读取的内容写入对象中
pdfwriter = PyPDF2.PdfFileWriter()
for pagenum in range(pdf_reader1.numPages):
pdfwriter.addPage(pdf_reader1.getPage(pagenum))
# 输入口令
pdfwriter.encrypt('meimei')
# 真正创建PDF文件
result_pdf = open('encry.pdf','wb')
pdfwriter.write(result_pdf)
# 关闭文件
result_pdf.close()
点击生成的PDF文件。
输入密码才可以打开。
来源:https://www.cnblogs.com/springsnow/p/13186814.html
猜你喜欢
- golang sort package: https://studygolang.com/articles/3360sort 操作的对象通常
- 见下:<form action="./calculation.asp"><input&nbs
- 本文研究的主要是Python生成器及其应用,具体如下。一、定义可以理解为一种数据类型,这种数据类型自动实现了迭代器协议(其他的数据类型需要调
- 原文地址:30 Days of Mootools 1.2 Tutorials - Day 15 - SlidersMooTools 1.2的
- 1、from子句组装来自不同数据源的数据; 2、where子句基于指定的条件对记录行进行筛选; 3、group&nb
- 想到TDE(Transparent Data Encryption)。 TDE MSDN 说明: “透明数据加密”(TDE) 可对数据和日志
- sql exist的妙用create table b(a varchar(10),b varchar(10),c varchar(10))i
- Pyppeteer简介介绍Pyppeteer之前先说一下Puppeteer,Puppeteer是谷歌出品的一款基于Node.js开发的一款工
- 第一题:ASP中,VBScript的唯一的数据类型是什么?第二题:在ASP中,VBScript有多种控制程序流程语句,如If…Then, S
- 目录1. lru_cache的使用1.1 参数详解1.2 基本用法1.3 进阶用法2. functiontools.wrap装饰器对lru_
- 看起来现在经常用到这样的效果来提高用户体验,所以就没事写了一个输入框提示列表的效果使用宽屏的朋友麻烦帮忙测试下,列表的位置有没有错位。代码可
- 装饰器一、介绍器:代表函数的意思。装饰器本质就是是函数功能:装饰其他函数,就是为其他函数添加附加功能 被装饰函数感受不到装饰器的存
- 前言使用 Pandas 的between 、cut、qcut 和 value_count离散化数值变量。分箱是一种常见的数据预处理技术有时也
- 一、SeabornSeaborn 建于 matplotlib 库的之上。它有许多内置函数,使用这些函数,只需简单的代码行就可以创建漂亮的绘图
- 引子Matlab中有一个函数叫做find,可以很方便地寻找数组内特定元素的下标,即:Find indices and values of n
- 一个简单的PHP循环一维数组的实例,先是把字符串按照一定的规则进行转换成为数组,然后再进行遍历输出,实际是一个很简单的方法,因为最近做的一个
- 获取评论贴的请求头与表单数据下一篇在这里这里,我们随便选取一个网站,获取该贴评论后的请求头,表单数据以及评论贴链接。(因为涉及敏感信息,自己
- 首先,必须有错误继续进行的声明On Error Resume Next 然后尝试简历jmail实例: Dim JMail Set JMail
- 本文实例讲述了ThinkPHP5&5.1实现验证码的生成、使用及点击刷新功能。分享给大家供大家参考,具体如下:验证码现在是用户登录、
- 清除视图缓存,就是清除D:\phpStudy\WWW\BCCKidV1.0\storage\framework\views\002f30b1