python处理pdf文件_python处理操作pdf全攻略
本篇聊下Python对pdf的各种操作，包含pdf转word，pdf转图片，pdf翻转，加密，加水印等。
pdf转换word文档 保留格式
pdf转换为word文档，被大众经常使用的是纯Python库pdfminer和python-docx搭配使用，不过pdfminer转换成word，会丢失原来的pdf格式（图片和样式会丢失），只能是一个纯文本的。
比如下面是一个pdf文档，是一个目录索引样式。
使用pdfminer和python-docx转换的话样式会丢失，如下。
为了研究怎么保留样式，我花了好些时间，最终测试验证了一种能接受的方案：使用libreoffice
libreoffice是一个免费的办公软件，能打开和操作docx,ppt,pdf等，提供不同文档格式之间的转换，而且支持命令行。
支持命令行的话，我们就能通过python的os.system()等方法调用libreoffice软件去做文档转换工作了。
首先要安装libreoffice:
下载地址如下：
https://zh-cn.libreoffice.org/download/libreoffice-still/
windows,linux,max三种版本都有。
安装成功后，在libreoffice/program 目录下面有个soffice.exe命令，我们就是用python调用soffice来做pdf和word转换。来测试一下pdf转word功能。
import os
os.system('D:\Program Files\libreoffice\program\soffice --infilter=writer_pdf_import --convert-to docx D:\code\pdf\ss.pdf --outdir D:\code\pdf')
上面的命令是把ss.pdf 转换成docx格式，保存在D:\code\pdf\ 目录里，文件名是跟pdf同名，只是文件会变成.docx 。
来打开转换后的docx文档看一下，样式保留得还可以，要用office2007以上版本打开，office2003的打开样式有问题。
libreoffice转换的缺点是，不报错，你不知道是否转换成功。还有表格和多图的转换还有瑕疵。转换耗时会随着文档页数快速增加。
pdf转word文档 不保留格式
不保留格式，只需要文本的话，就直接使用 pdfminer和python-docx两个库搭配就好。pdfminer把pdf里的文字内容抽取出来，python-docx负责把抽取出来的写进word文档里。
from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfinterp import process_pdf
from io import StringIOf
from docx import Document
def remove_characters(content):
mpa = dict.fromkeys(range(32))
return content.translate(mpa)
def convert_pdf_to_txt(path):
with open(path,'rb') as f:
rsrcmgr = PDFResourceManager()
retstr = StringIO()
laparams = LAParams()
device = TextConverter(rsrcmgr, retstr, laparams=laparams)
process_pdf(rsrcmgr, device, f)
text = retstr.getvalue()
device.close()
retstr.close()
return text
def convert_txt_to_doc(text, doc_path):
doc = Document()
for line in text.split('\n'):
paragraph = doc.add_paragraph()
paragraph.add_run(remove_characters(line))
doc.save(doc_path)
def convert():
text = convert_pdf_to_txt('d:/sphinx_doc_zhcn.pdf')
convert_txt_to_doc(text, 'd:/test.docx')
convert()
写进word文档之前要把内容split分行，不然内容全都在一行，没有段落。还有要删掉一些乱七八糟的控制字符，不然保存word文档的时候要报错。
当然你需要使用pip install pdfminer 和 python-docx 这两个库。
pdf转图片
把pdf转换成图片的方案很多，比如wand库、PythonMagick等都能实现，pdf转图片的方案选择主要是考虑转换性能和图片质量上。转换一个几百K的pdf文档分辨不出哪个好使，如果是批量转换成百上千个pdf文档，又或者是转换一个几十M大小的pdf文档时就有优劣。
如果想程序简单和转换后的图片质量还OK，可使用pdf2image + Poppler 方案。Poppler 是一个处理pdf文档很有用的库，支持windows/linux/mac 。pdf2image是一个wrapper，提供调用Poppler的python接口。
首先要下载Poppler
https://blog.alivate.com.au/poppler-windows/
windows用户下载带x86字样的。
下载解压后，要把poppler下的bin目录绝对路劲加入到系统环境变量里，
比如我的是 D:\Program Files\poppler-0.68.0\bin ，要加入到系统环境变量Path变量里。不然pdf2image不知道去哪儿调用poppler。
然后安装pdf2image
pip install pdf2image
最后调用运行
from pdf2image import convert_from_path
pages = convert_from_path('D:/test/18.pdf')
for i, page in enumerate(pages):
page.save('D:/test/18_{}.jpg'.format(str(i)), 'JPEG')
不过这种方法要处理十几M以上的pdf时，我亲测慢如蜗牛，内存还可能不够。处理大文件可以使用ghostscript，也是一个c程序，速度还过得去，我用它一次批处理数千个十几M pdf文档也花了好几个小时。这里就不再赘述如何使用ghostscript了。
读取pdf文档元信息
比如获取文档作者，主题，创作时间，文档页数等等。
这里使用经典的PyPDF2库来操作，下面的操作都PyPDF2完成，当然你需要先安装，
pip install PyPDF2
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
extract_information('D:/download/zj/2018.pdf')
翻转pdf
对pdf文档向左向右翻转90度，并保存为一个新的文档。
from PyPDF2 import PdfFileReader, PdfFileWriter
def rotate_pages(pdf_path):
# 新建一个空白pdf
pdf_writer = PdfFileWriter()
# 读取要翻转的pdf
pdf_reader = PdfFileReader(path)
# 把pdf第一页向右翻转90度并写入新建的空白pdf里
page_1 = pdf_reader.getPage(0).rotateClockwise(90)
pdf_writer.addPage(page_1)
# 把pdf第二页向左翻转90度并写入新建的空白pdf里
page_2 = pdf_reader.getPage(1).rotateCounterClockwise(90)
pdf_writer.addPage(page_2)
# 把pdf第三页不翻转正常写入
pdf_writer.addPage(pdf_reader.getPage(2))
# 把新建的pdf文档保存到本地
with open('D:/download/rotate_pages.pdf', 'wb') as fh:
pdf_writer.write(fh)
rotate_pages('D:/download/zj/18.pdf')
从上面读取pdf文档元信息和翻转pdf可以看出，操作PyPDF2来读取和写入pdf的方法分别是PdfFileReader和PdfFileWriter
合并pdf文档
把多个pdf文档合并成一个，操作方法也很简单，仍然是先使用PdfFileReader方法读取pdf每一个页面，然后用PdfFileWriter写入一个到新的pdf文档中。
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()):
pdf_writer.addPage(pdf_reader.getPage(page))
with open(output, 'wb') as out:
pdf_writer.write(out)
paths = ['d:/test/1.pdf', 'd:/test/2.pdf']
merge_pdfs(paths, output='d:/test/merged.pdf')
拆分pdf分档
把一个pdf文档拆分成多个，操作思路都差不多，先用PdfFileReader读取pdf文档，再用PdfFileWriter把每一页写入新的。
下面的例子是把一个pdf文档每一页都拆分成一个pdf文档，按文件页数来命令新的文档。
from PyPDF2 import PdfFileReader, PdfFileWriter
def split(path):
pdf = PdfFileReader(path)
for page in range(pdf.getNumPages()):
pdf_writer = PdfFileWriter()
pdf_writer.addPage(pdf.getPage(page))
output = f'{page}.pdf'
with open(output, 'wb') as output_pdf:
pdf_writer.write(output_pdf)
split('d:/test/test.pdf')
给pdf文档添加水映
可以调用mergePage()方法给pdf文档加水印，PyPDF2的操作方法是把一个水印pdf文档(这个pdf文档里只有水印，水印可以是文字或图片)，重叠到待加水印的pdf文档中，其实就是把两个pdf页面重叠在一起。
如下程序是给每一个页面都加上水印。
from PyPDF2 import PdfFileWriter, PdfFileReader
def create_watermark(input_pdf, output, watermark):
#读取只有水印的那个文档
watermark_obj = PdfFileReader(watermark)
watermark_page = watermark_obj.getPage(0)
# 读取待加水印的文档
pdf_reader = PdfFileReader(input_pdf)
pdf_writer = PdfFileWriter()
# 给每一个页面都加上水印
for page in range(pdf_reader.getNumPages()):
page = pdf_reader.getPage(page)
page.mergePage(watermark_page)
pdf_writer.addPage(page)
# 保存为新的文档
with open(output, 'wb') as out:
pdf_writer.write(out)
create_watermark(input_pdf='D:/code/pdf/sphinx.pdf',
output='D:/code/pdf/watermarked_sphinx.pdf',
watermark='D:/download/zj/watermark.pdf')
如下，我有一个水印文档watermark.pdf，里面只有猿人学三个字。
把它加入到sphinx.pdf的效果是：
PS：要保持加水印后的文档视觉效果好看，需要对水印做一些处理的，比如对水印文字或图片要透明处理，不然文档没法看。
给pdf文档加密
给你一个pdf文档加密也很简单，调用encrypt()方法即可。
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))
# 加密
pdf_writer.encrypt(user_pwd=password, owner_pwd=None, use_128bit=True)
with open(output_pdf, 'wb') as fh:
pdf_writer.write(fh)
add_encryption(input_pdf='no_password.pdf',
output_pdf='password.pdf',
password='yuanrenxue')
加密之后，如何解密打开呢？
from PyPDF2 import PdfFileReader
pdfFile = open('password.pdf','rb')
pdfReader = PdfFileReader(pdfFile)
#为True表示是加密文档 yuanrenxue 是密码
if pdfReader.isEncrypted:
pdfReader.decrypt('yuanrenxue')
上面可以看出，PyPDF2库是不能对pdf文本内容进行写操作，只能对pdf文档进行读取，页面拷贝，加解密，新建pdf文档操作。
Done ，终于说完了，写python教程技术类的文章挺繁琐的，程序要调试，还要截图，花了数小时，还是写鸡汤文快速。
我的公众号：猿人学 Python 上会分享更多心得体会，敬请关注。
***版权申明:若没有特殊说明，文章皆是猿人学 yuanrenxue.com 原创，没有猿人学授权，请勿以任何形式转载。***
python处理pdf文件_python处理操作pdf全攻略相关推荐
- python打印pdf文件_Python静默打印PDF到特定的打印机
我有一个PDF文档,我想用我的 python应用程序打印它. 我使用的方式是使用命令os.startfile('PDFfile.pdf',"print"),但它打开默认查看器(我的 ...
- 拒绝乱码:PDF文件转Word文档完美攻略
如何将PDF文档转成Word文档?你也许会想出好几种方法,比如利用Office 2003中的Microsoft Office Document Imaging组件来实现PDF转Wor <scri ...
- python xlsx 大文件_Python这样操作能存储100多万行的xlsx文件!Python让你事半功倍!
(1) 如果excel文件是xls,2003版的,使用xlrd和xlwt库来对xls文件进行操作 (2) 如果excel文件是xlsx,2007以上版的,使用openpyxl库来对xlsx文件进行操作 ...
- Python五大主要用途+零基础基础入门全攻略
Python可以做什么? Python的热度毋庸置疑,现在国内,不仅考国家二级计算机证需要学习Python,它甚至出现在了小学生的教材里. 那么高度如此高涨的Python,都可以用来做什么呢? 目前来 ...
- Python 列表与元组（史上最全攻略）
Python 列表 列表(list)作为 Python 中最常用的数据类型之一,是一个可增加.删除元素的可变(mutable)容器. 列表的所有元素放在一对中括号"[]"中,并使用 ...
- js操作excel全攻略
用到了javascript操纵excel以生成报表,下面是标有详细注解的实例 <html> <head> <script language="javascrip ...
- python学习的第二十五天：对PDF文件的读写操作
文章目录 python学习的第二十五天:对PDF文件的读写操作 对Excel操作的补充 python的实用方法 获取指定文件下的所有内容 shutil模块(封装了高级的文件操作函数) PDF的相关操作 ...
- 将CAD图纸转换为黑白的PDF文件要怎么操作
我们在CAD中,编辑软件中绘制的图纸格式均为dwg格式的,那么为了图纸查看的方便我们就需要将图纸的格式进行转换.那么,将CAD图纸转换为黑白的PDF文件要怎么操作呢?小伙伴们都知道吗?那下面小编就来教 ...
- Python 实现office单个文件或整个文件夹（word，ppt，excel）转换成PDF文件，并获取PDF文件页数
Python 实现office单个文件或整个文件夹(word,ppt,excel)转换成PDF文件,并获取PDF文件页数 文件夹中获取需要转换的文件数,将其全部转换或可单独转换单个文件,并获取转成PD ...
- 分享一款手机端的PDF文件编辑软件「PDF处理助手」简单、免费
今天给大家来一款手机端的PDF文件编辑神器,"PDF处理助手",不过这款软件目前只有Android端的喔,ios的小伙伴有需要的话可以直接去Appstore搜索[pdf]下载相关的 ...
最新文章
- python新旧特性过渡_网站改版时的一种新旧版过渡方案
- 个人编程思想理解的片段（主要是面向对象的，参考了许多人的观点，还不成熟，没形成系统，请大家多指点）...
- Atitit 集团与个人的完整入口列表 attilax的完整入口 1. 集团与个人的完整入口列表 1 2. 流量入口概念 2 3. 流量入口的历史与发展 2 1.集团与个人的完整入口列表
- 机器学习算法之SVM的多分类
- 杰理之ANC对照目标曲线【篇】
- win7下计算机假死,造成Windows7系统假死的原因及处理方法
- 正则表达式用法及实例
- VS Code下载Beautify扩展插件 | CSDN创作打卡
- Vue 国家省市三级联动
- 对选股宝实时信息进行爬虫
- android轮播图简单实现（左右无限滑动,自动轮播）
- Python中Dataframe通过print输出多行时显示省略号
- ping命令使用什么协议
- “美登杯”上海市高校大学生程序设计邀请赛 (华东理工大学)E. 小花梨的数组
- 做回归分析时import ConvergenceWarning出错的问题
- （三）SpringCloud实战之openfeign服务调用
- 基于Arduino开发板使用HC-12远程无线通信模块
- Vue的slot-scope和scope.row（个人理解）
- Ubuntu搭建交叉编译环境（arm、mips、powerpc）
- erp系统多少钱一套