python不可以处理pdf文件_Python处理PDF文件-简译与总结

最近看到一篇介绍Python中pyPDF模块的文章，详细介绍了使用pyPDF模块获取PDF文件信息，合并拆分PDF文件等功能。很方便，在此搬运分享以下：

全文介绍了以下几方面的功能

提取文件信息

旋转页面

合并文件

拆分文件

添加水印

加密文件

这里我主要尝试了前几个功能的实现，添加水印与加密文件不是很用得上就不再详细尝试了。

pyPdf，PyPDF2以及PyPDF4的发展历程

最初的pyPdf模块发布与2005年，但并不支持Python3。PyPDF2目前也基本停用，最新版本的PyPDF4支持PyPDF2的大多数功能，但也有部分功能不兼容。原文中使用的是PyPDF2模块，此处我改用最新的PyPDF4进行尝试。

安装

如果你已经安装了Anaconda，可以使用pip或者conda直接安装：

pip install PyPDF4

功能实现

提取PDF文件信息

我们可以通过PdfFileReader来实现对以下信息的提取：

作者

创建者

生产商

主题

题目

页数

代码如下：

from PyPDF4 import PdfFileReader，PdfFileWriter

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='visa_letter.pdf'

extract_information(path)

主要通过getDocumentInfo()与getNumPages()两个函数来实现读取信息的功能。如果想进一步读取PDF中的文本信息，可以参照PDFMiner.six（Python3支持）

if __name__ == '__main__'则放在自己创建的模块底部，指明当该模块作为main函数调用时的执行情况。

旋转页面

旋转页面功能需要导入PdfFileWriter模块，上文中以导入，此处不再重复，代码如下：

def rotate_pages(pdf_path,pages=[0],direction='right'):

"""Parameters: filename, pages want to rotate and rotate direction"""

pdf_writer=PdfFileWriter()

pdf_reader=PdfFileReader(pdf_path)

outputname=pdf_path[:-4]+'-rotate.pdf'

for page in pages:

# Rotate page 90 degrees to the right

if direction=='right':

page_r=pdf_reader.getPage(page).rotateClockwise(90)

pdf_writer.addPage(page_r)

# Rotate page 90 degrees to the left

elif direction=='left':

page_r=pdf_reader.getPage(page).rotateCounterClockwise(90)

pdf_writer.addPage(page_r)

else:

print("Encountered an improper argument! Input right or left.")

with open(outputname,'wb') as fh:

pdf_writer.write(fh)

旋转页码通过getPage()和rotateClockwise() rotateCounterClockwise()实现，getPage()获取要旋转页的索引，rotateClockwise() rotateCounterClockwise()控制旋转方向。

addPage()将要输出的页添加到流（不清楚该如何严谨表述，依稀记得C++里是这么称呼的）中，最后的新文件通过write()创建。

这里我将原文的函数改进了以下，加入两个表明要旋转的页码以及旋转方向的关键字参数，页码通过列表传递，默认将第一页顺时针旋转90度。

这里的else情况似乎抛出个异常更为合理，但我还没有掌握异常的处理方法。

合并文件

合并文件的核心则是对每个文件的每一页进行枚举，再逐次添加到流里，最后统一输出：

def merge_pdfs(paths,output):

pdf_writer=PdfFileWriter()

for path in paths:

pdf_reader=PdfFileReader(path)

for page in range(pdf_reader.getNumPages()):

pdf_writer.addPage(pdf_reader.getPage(page))

with open(output,'wb') as out:

pdf_writer.write(out)

要合并的文件以列表的形式传入即可。

拆分文件

这里遇到了个问题，使用PyPDF4在拆分循环中会出现PdfFileWriter' object has no attribute 'stream'的错误，似乎是个bug。

这可能是因为将读入文件步骤写在了循环外导致写出过程紊乱，在循环内再此读入文件可以解决，详情见PyPDF2 PdfFileWriter has no attribute stream。

PyPDF2有时也会遇到同样的错误，但此处使用PyPDF2不会有该错误。

def split(pdf_path,name_of_split):

pdf_reader=PdfFileReader(pdf_path)

for page in range(pdf_reader.getNumPages()):

pdf_reader=PdfFileReader(pdf_path)

pdf_writer=PdfFileWriter()

pdf_writer.addPage(pdf_reader.getPage(page))

output=f'{name_of_split}{page}.pdf'

with open(output,'wb') as output_pdf:

pdf_writer.write(output_pdf)

总结

至此一个具有简易功能的PDF编辑器就基本实现了，在使用时可以将PDFeditor.py最后一部分修改为：

def main():

pass

if __name__ == '__main__':

main()

防止直接调用，具体调用方法则为：

import PDFeditor

split('visa_letter.pdf','s')

merge_pdfs(['s0.pdf','s1.pdf'],'m.pdf')

rotate_pages('m.pdf',[0,1],'left')

extract_information('m.pdf')

python不可以处理pdf文件_Python处理PDF文件-简译与总结相关推荐

python不同数据的读入_python读写不同编码txt文件_python读写txt文件
python读写不同编码txt文件_python读写txt文件以后整理规范 [python] view plaincopy import os import codecs filenames=os. ...
用python汇总pdf文件_Python处理PDF文件-简译与总结
最近看到一篇介绍Python中pyPDF模块的文章,详细介绍了使用pyPDF模块获取PDF文件信息,合并拆分PDF文件等功能.很方便,在此搬运分享以下: 全文介绍了以下几方面的功能提取文件信息旋转 ...
python读取pdf文件_python读取pdf文件
广告关闭腾讯云11.11云上盛惠 ,精选热门产品助力上云,云服务器首年88元起,买的越多返的越多,最高返5000元! 一.安装pdfminer3k模块?二. 读取pdf文件import sysimp ...
python教案 md文件_python操作pdf文件.md
``` # -*- coding: utf-8 -*- """ Created on Sat Aug 15 10:20:41 2020 @author: shuib &q ...
python pdf报告_python生成pdf报告、python实现html转换为pdf报告
1.先说下html转换为pdf:其实支持直接生成,有三个函数pdfkit.f 安装python包:pip Install pdfkit 系统安装wkhtmltopdf:参考 https://githu ...
python docx 合并文档图片_Python检查Word文件中包含特定关键字的所有页码
推荐教材:<Python程序设计基础与应用>(ISBN:9787111606178),董付国,机械工业出版社图书详情:配套资源:用书教师可以联系董老师获取教学大纲.课件.源码.教案.考试系 ...
python如何实现下载文件_python实现下载文件的三种方法
python实现下载文件的三种方法 Python开发中时长遇到要下载文件的情况,最常用的方法就是通过Http利用urllib或者urllib2模块. 当然你也可以利用ftplib从ftp站点下载文件. ...
python读取pdf表格_Python 解析 PDF 表格？
需要该公司的PDF年报包含了各种表,这些表需要在一些特定字幕下解析,称为数据结构. 解决方案通过查看别人写的博客,我们发现在Python中通常有四种PDF解析: Pdfminer善于分析文字,这种 ...
python json文件_python读写json文件的简单实现
JSON(JavaScript Object Notation) 是一种轻量级的数据交换格式.它基于ECMAScript的一个子集. JSON采用完全独立于语言的文本格式,但是也使用了类似于C语言家族 ...

python不可以处理pdf文件_Python处理PDF文件-简译与总结

python不可以处理pdf文件_Python处理PDF文件-简译与总结相关推荐

最新文章

热门文章