Python 自动化办公 —— PyPDF2 库的基本使用

大家好，我是小张~，今天文章与自动化办公相关，目前个人认为 Python 库中处理 PDF 比较不错的有三个，分别是 PyPDF2，Pdfplumer 和 PDFminer；

今天教程内容主要聚焦于 PyPDF2 ，借助它对 PDF 实现以下基本操作

1，将单个 PDF 拆分为多个 PDF 文件；
2，将多个 PDF 合并为一个 PDF 文件；
3，将 PDF 中某页进行旋转；
4，对 PDF 添加水印 ;
5，对 PDF 加密；
6，对 PDF 进行解密；
6，获取 PDF 基本信息，例如作者、标题、页数等；

PyPDF2 历史

正文开始之前，说一下 PyPDF2 的发展历史，PyPDF 的前身是 pyPDf 包在2005年发布，该包的最后一个版本发布于2010年，后来大约经过一年左右，名为 Phasit 的公司赞助 PyPdf 的一个分支后来命名为 PyPDF2，两个版本功能都基本一样，最大区别就是 PyPDF2 中加入了支持 Python3 特性；

PyPDF2 近期也没有再更新了，最近一个版本发布在2016年，但使用热度依然没有消退；虽然后面又出现了 PyPDF3、PyPDF4 等不同版本，但这些包并没有对 PyPDF2 功能向后完全兼容，用户受欢迎程度当然也不如 PyPDF2

PyPDF2 安装

与其它Python 库一样，安装可通过 pip 或 conda 工具

pip install pypdf2

PDF 信息提取

使用 PyPDF2 可以从 PDF 中提取到一些元数据和文本信息，对 PDF 有个大致了解

用 PyPDF2 能够提取的数据如下

作者；
创建者；
制作者；
Subject；
标题；
页数；

这里我下载了官网提供的 PDF 样本《Seige_of_Vicksburg_Sample_OCR》一共六页，作为测试数据

from  PyPDF2 import PdfFileReader# # pdf 文档
pdf_path = "D:/Data/自动化办公/PDF/Seige_of_Vicksburg_Sample_OCR.pdf"with open(pdf_path,'rb') as f:pdf = PdfFileReader(f)infomation = pdf.getDocumentInfo()number_of_pages = pdf.getNumPages()txt = f'''{pdf_path} information:Author : {infomation.author},Creator : {infomation.creator},Producer : {infomation.producer},Subject : {infomation.subject},Title : {infomation.title},Number of pages : {number_of_pages}'''print(txt)

下面为打印结果

D:/Data/自动化办公/PDF/Seige_of_Vicksburg_Sample_OCR.pdf information:Author : DSI,Creator : LuraDocument PDF Compressor Server 5.5.46.38,Producer : LuraDocument PDF v2.38,Subject : None,Title : Binder1.pdf,Number of pages : 6

在上面例子中用到了 PdfFileReader 类，用于与 pdf 文件交互；调用该类中的 getDocumentInfo() 方法返回一个 DocumentInformation 的实例，该实例中存储着我们需要的信息；对 reader 对象调用 getNumPages 方法也可以返回文档页数；

个人看法，这里面的数据也就页数有点价值，当批量统计时该方法很适用

PDF 页面旋转

PyPDF2 中 pdf 每一页都是以 page 对象存在，返回某一页的实例可通过 reader 对象中的 get_Page(page_index) 方法，其中 page_index 表示索引

对某一页旋转，有两种方式

rotateClockwise(90)，顺时针旋转90度；
rotateCounterClockwise(90)，逆时针旋转 90 度；

下面代码表示将目标 PDF 中第一页顺时针方向旋转 90 度，第二页以逆时针方向旋转 90 度，其它页位置角度不变；

from  PyPDF2 import PdfFileReader,PdfFileWriterpdf_writer = PdfFileWriter()
pdf_reader = PdfFileReader(pdf_path)
# Rotate page 90 degrees to the right
page_1 = pdf_reader.getPage(0).rotateClockwise(90)
pdf_writer.addPage(page_1)
# Rotate page 90 degrees to the left
page_2 = pdf_reader.getPage(1).rotateCounterClockwise(90)
pdf_writer.addPage(page_2)
# 之后的正常写出
for i in range(2,pdf_reader.getNumPages()):pdf_writer.addPage(pdf_reader.getPage(i))with open(pdf_path, 'wb') as fh:pdf_writer.write(fh)

结果如下

代码中同时用到了PdfFileReader,PdfFileWriter 这两个类，页面旋转并不是在原有 PDF 基础上进行操作而是在内存处创建了一个新的PDF流对象，将操作后的每一页通过 addPage() 方法加入到这个对象中，之后将内存中的这个对象写入到文件中；

写到这里，说实话其实 页面旋转 这个功能没基本没什么作用，加在这里只是想充当一些字数，哈哈哈

单个 PDF 拆分成多个PDF

from  PyPDF2 import PdfFileReader,PdfFileWriter# # pdf 文档
pdf_path = "D:/Data/自动化办公/PDF/Seige_of_Vicksburg_Sample_OCR.pdf"
save_path = 'D:/Data/自动化办公/PDF/'# Split Pages of PDFpdf_reader = PdfFileReader(pdf_path)
for i in range(0,pdf_reader.getNumPages()):pdf_writer = PdfFileWriter()pdf_writer.addPage(pdf_reader.getPage(i))# Every page write to a pathwith open(save_path+'{}.pdf'.format(str(i)), 'wb') as fh:pdf_writer.write(fh)print('{} Save Sucessfully !\n'.format(str(i)))

代码将 PDF 原文件中的每一页拆分到每一个PDF文件，其中文件名用页索引来命名；

通过拆分也可以提取到 pdf 文件中固定页码范围，例如我只想提取 pdf 中的 2-5 页，其它部分不要，那么代码将写成下面形式

pdf_writer = PdfFileWriter()
pdf_reader = PdfFileReader(pdf_path)
for i in range(1,5):# pdf_writer = PdfFileWriter()pdf_writer.addPage(pdf_reader.getPage(i))# Every page write to a path
with open(save_path+'2_5.pdf', 'wb') as fh:pdf_writer.write(fh)

多个 PDF 文件合并为单个

pdf 拆分与合并方向虽然相反，但用到的类、原理都是一样的

PdfFileReader读取每个pdf，并递归获取每一页page 对象， PdfFileWrite 新建一个流对象，把前面内存中读取到的 page 对象按顺序写入到这个流对象中，最后写入到磁盘文件

from  PyPDF2 import PdfFileReader,PdfFileWriterp1_pdf = "D:/Data/自动化办公/PDF/Seige_of_Vicksburg_Sample_OCR.pdf"
p2_pdf = "D:/Data/自动化办公/PDF/Seige_of_Vicksburg_Sample_OCR.pdf"merge_pdf = 'D:/Data/自动化办公/PDF/merge.pdf'p1_reader = PdfFileReader(p1_pdf)
p2_reader = PdfFileReader(p2_pdf)merge = PdfFileWriter()
# Write p1
for i in range(0,p1_reader.getNumPages()):merge.addPage(p1_reader.getPage(i))
# Write p2
for j in range(0,p2_reader.getNumPages()):merge.addPage(p2_reader.getPage(j))# Write out
with open(merge_pdf,'wb') as f:merge.write(f)

运行结果如下

PDF 添加水印

在今天列举的这么多功能中，我想这个功能是最有用，批量添加水印主要用到 page 对象中的 margePage() 方法，通过将两个页面合并来达到添加水印的效果

因为 PyPDF2 只能操作 pdf 对象，因此在添加水印之前，需要将准备添加的水印存放到一个 pdf 文件中

from  PyPDF2 import PdfFileReader,PdfFileWriter
watermark = 'D:/Data/自动化办公/PDF/watermark.pdf'
input_pdf = 'D:/Data/自动化办公/PDF/merge.pdf'
output = 'D:/Data/自动化办公/PDF/merge_watermark.pdf'watermark_obj = PdfFileReader(watermark)
watermark_page = watermark_obj.getPage(0)pdf_reader = PdfFileReader(input_pdf)
pdf_writer = PdfFileWriter()# Watermark all the pages
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)

效果如下，从左到右，依次为原图、水印、添加水印后的原图　　　[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-XP0ELXsk-1615825692823)(https://images.zeroingpython.top/img/image-20210314005417135.png)]

上面效果不好是因为制作水印时没有考虑到页面布局问题，所以合并时出现一部分缺失；

用以上代码添加水印的好处是，可以对 pdf 指定页田间水印，比如说只对奇数页添加偶数页不管，不但灵活性强而且高效，当然也可以对多个文件进行批量操作

PDF加密解密

pdf加密

对一份 pdf 文件，如果我们不想让其他人能够读取里面的内容，可以通过 pypdf2 对它设置密码，如果只是单个文件的话，建议最好自己找个工具受手动操作一下会高效一点，但若是多个文件，非常建议用下面方法

watermark = 'D:/Data/自动化办公/PDF/Seige_of_Vicksburg_Sample_OCR.pdf'
input_pdf = 'D:/Data/自动化办公/PDF/merge.pdf'
output = 'D:/Data/自动化办公/PDF/merge_watermark1.pdf'watermark_obj = PdfFileReader(watermark)
watermark_page = watermark_obj.getPage(0)pdf_reader = PdfFileReader(input_pdf)
pdf_writer = PdfFileWriter()# Watermark all the pages
for page in range(pdf_reader.getNumPages()):page = pdf_reader.getPage(page)page.mergePage(watermark_page)pdf_writer.addPage(page)
pdf_writer.encrypt(user_pwd='123456',use_128bit=True)
with open(output, 'wb') as out:pdf_writer.write(out)

主要用到 encrypt　函数，需要注意三个参数

user_pwd，str，用户密码，用来限制打开读取文件；
owner_pwd，str，比用户密码更高一级，提供时可让打开文件不受任何限制，不指定时默认owner_pwd 与 user_pwd 相同；
use_128bit　布尔值，用来表示是否使用128位作为密码，False 时代表用 40 位密码，默认为True；

pdf解密

解密是在读取文件时用的，用到 decrypt() 函数

rom PyPDF2 import PdfFileWriter, PdfFileReaderinput_pdf='reportlab-encrypted.pdf'
output_pdf='reportlab.pdf'
password='twofish'pdf_writer = PdfFileWriter()
pdf_reader = PdfFileReader(input_pdf)
pdf_reader = pdf_reader.decrypt(password)for page in range(pdf_reader.getNumPages()):pdf_writer.addPage(pdf_reader.getPage(page))with open(output_pdf, 'wb') as fh:pdf_writer.write(fh)

上面例子中解密原理是通过将一个加密文件进行读取，并写入到一个非加密 pdf 中

小结

本文介绍了 PyPDF2 库的基本用法，借助它加上代码实例实现了一些基本操作；但在这里提醒一下，所有上面这些操作只适用于批量操作场景，如果对象是单个文件的话建议用常规做法，过于炫技的话只会浪费时间

关于 pdf 内的图文内容提取、写入本文并没有涉猎，源于 pypdf2 对于这方面并不擅长，而 Pdfplumber 和 PDFminer 在文本提取方面要好得多，工欲善其事，必先利其器；在之后的教程中我将会介绍一下这方面的内容，期待大家的关注！

好了以上就是本篇内容的全部内容，最后感谢大家的阅读，我们下期见~