Python自动化办公：pdf文档操作

在后台回复【阅读书籍】

即可获取python相关电子书~

Hi，我是山月。

之前给大家介绍了python处理excel、word、ppt的相关教程，不知道大家学的怎么样？

在后台回复【自动化办公】即可查看全部自动化办公教程哦~

今天来给大家介绍下python处理pdf文档的一个库--PyPDF2。

PyPDF2 是源自 pyPdf 项目的纯 Python PDF 工具包。它擅长处理PDF文档本身，比如对 PDF 文档进行分割、合并、插入等操作。

官网：https://pythonhosted.org/PyPDF2/index.html

安装：pip install pypdf2

基础知识

PyPDF2 一共有4大主模块：PdfFileReader、PdfFileWriter、PdfFileMerger、PageObject，分别是读、写、合并、页面对象。

1、PdfFileReader

1、导入

from PyPDF2 import PdfFileReader

2、获取 PdfFileReader 对象

PdfFileReader(stream, strict=True, warndest=None, overwriteWarnings=True)参数：
stream ： 一个 File 对象或支持类似于 File 对象的标准读取和查找方法的对象。也可以是表示 PDF 文件路径的字符串。
strict (bool) ： 确定是否应该警告用户所有的问题，也会导致一些可纠正的问题是致命的。默认值为True。
warndest ： 记录警告的目标（默认为 sys.stderr）。
overwriteWarnings (bool) ：确定是否使用自定义实现覆盖 Python 的 warnings.py 模块（默认为 True）。

比如想读取将进酒.pdf内容：

pdfFileReader = PdfFileReader(open('将进酒.pdf', 'rb')) # 获取PdfileReader对象
# 也可以：pdfFileReader = PdfFileReader('将进酒.pdf')

3、一些方法与属性

4、实例

现在有一个2页的将进酒.pdf文件：

from PyPDF2 import PdfFileReader
pdfFileReader = PdfFileReader(open('将进酒.pdf', 'rb'))documentInfo = pdfFileReader.documentInfo
print(documentInfo) # 检索文档信息
'''
{'/Author': '是山月呀', '/Comments': '', '/Company': '', '/CreationDate': "D:20220312161040+08'10'",
'/Creator': 'WPS 文字', '/Keywords': '', '/ModDate': "D:20220314130926+08'00'", '/Producer': '',
'/SourceModified': "D:20220312161040+08'10'", '/Subject': '', '/Title': '', '/Trapped': '/False'}
'''
print(documentInfo.author)  # 检索文档的作者--->> 是山月呀pages = pdfFileReader.numPages  #计算文件的页数
print(pages)    # --->> 2page = pdfFileReader.getPage(1) #检索第2页页面
print(page)
'''
{'/Type': '/Page', '/Parent': IndirectObject(2, 0), '/MediaBox': [0, 0, 595.276, 841.89], '/Rotate': 0,
'/Resources': {'/Font': {'/KSPF1': IndirectObject(29, 0), '/KSPF2': IndirectObject(31, 0)}}, '/Contents': IndirectObject(33, 0)}
'''pageLayout = pdfFileReader.pageLayout   # 获取页面布局
print(pageLayout)    # --->> Noneis_Encrypted = pdfFileReader.isEncrypted    # 判断是否加密
print(is_Encrypted)    # --->> False

2、PdfFileWriter

1、导入

from PyPDF2 import PdfFileWriter

2、初始化PdfFileReader 对象

PdfFileWriter = PdfFileWriter()

3、一些方法与属性

1、文件写入

write(stream)参数：
stream：要将文件写入的对象。

2、添加页面

addPage(page)参数：
page：要添加到文档的页面，应该是 PageObject 的一个实例

3、添加空白页

addBlankPage(width=None, height=None)参数：
width (float) – 页面的宽度。
height (float) –页面的高度。如果未指定页面大小，则使用最后一页的大小。
如果未指定页面大小并且上一页不存在，则会引发PageSizeNotDefinedError。

4、添加书签

addBookmark(title, pagenum, parent=None, color=None, bold=False, italic=False, fit='/Fit', *args)参数：
title (str)： 用于此书签的标题。
pagenum (int) ：此书签将指向的页码。
parent ：对父书签的引用以创建嵌套书签。
color (tuple) ： 书签的颜色为从 0.0 到 1.0 的红、绿、蓝元组
bold (bool)：书签为粗体
italic (bool) ：书签是斜体
fit (str) ： 目标页面的适合度。

5、写入读取的文档

appendPagesFromReader(reader, after_page_append=None)参数：
reader： 一个 PdfFileReader 对象
after_page_append (function)：调用的回调函数

6、加密

encrypt(user_pwd, owner_pwd=None, use_128bit=True)参数：
user_pwd (str) ： “用户密码”，允许在提供的限制下打开和阅读 PDF 文件。
owner_pwd (str) ： “所有者密码”，允许不受任何限制地打开 PDF 文件。默认情况下，所有者密码与用户密码相同。
use_128bit (bool) ： 标记是否使用 128 位加密，默认为True。为 false 时，将使用 40 位加密。

7、插入空白页

insertBlankPage(width=None, height=None, index=0)参数：
width (float) ：页面的宽度。
height (float) ：页面的高度。
index (int) ：添加页面的位置。如果未指定页面大小，则使用最后一页的大小。
如果未指定页面大小并且上一页不存在，则会引发 PageSizeNotDefinedError

8、插入页面

insertPage(page, index=0)参数：
page (PageObject)： 要添加到文档的页面，该参数是 PageObject 的一个实例。
index (int) ：将插入页面的位置。

9、获取页数

getNumPages()

10、按页码检索页面

getPage(pageNumber)参数：
pageNumber (int) ：要检索的页码（从0开始）

11、设置页面布局

setPageLayout(layout)参数：
layout (str)：要使用的页面布局。但是设置了没有发生作用。可设置的布局有:
/NoLayout： 未指定布局
/SinglePage： 一次显示一页
/OneColumn： 一次显示一列
/TwoColumnLeft： 分两列显示页面，奇数页在左边
/TwoColumnRight：  分两列显示页面，奇数页在右边
/TwoPageLeft： 一次显示两页，奇数页在左边
/TwoPageRight： 一次显示两页，奇数页在右边

12、获取页面布局

getPageLayout()
# 也可以：
pageLayout

13、设置页面模式

setPageMode(mode)参数：
mode (str) ：要使用的页面模式。但是设置了没有发生作用。可设置的页面模式有:
/UseNone： 不显示面板
/UseOutlines： 查看文档书签
/UseThumbs： 查看文档缩略图
/UseAttachments：  查看文件附件
/FullScreen： 全屏视图
/UseOC： 显示可选内容组 (OCG)

14、获取页面模式

getPageMode()
# 也可以：
pageMode

15、删除图像

removeImages(ignoreByteStringObject=False)参数：
ignoreByteStringObject (bool) ：忽略 ByteString 对象的可选参数。

16、删除文字

removeText(ignoreByteStringObject=False)参数：
ignoreByteStringObject (bool) ：忽略 ByteString 对象的可选参数。

17、删除链接和注释

removeLinks()

3、PdfFileMerger

1、导入

from PyPDF2 import PdfFileMerger

2、获取PdfFileMerger 对象

PdfFileMerger(strict=True)参数：
strict (bool) – 确定是否应该警告用户所有的问题，也会导致一些可纠正的问题是致命的。默认值为True。

3、一些方法与属性

1、合并

merge(position, fileobj, bookmark=None, pages=None, import_bookmarks=True)参数：
position (int)：插入此文件的页码，文件将在给定编号之后插入。
fileobj：文件对象或支持类似于文件对象的标准读取和查找方法的对象，也可以是表示 PDF 文件路径的字符串。
bookmark (str)：可以通过提供书签的文本来指定要在包含文件的开头应用的书签。
pages ： 指定要合并的的页面范围，可以是Range 或 (start, stop[, step]) 元组
import_bookmarks (bool) ： 可以通过将其指定为 False 来阻止导入源文档的书签。

2、附加

append(fileobj, bookmark=None, pages=None, import_bookmarks=True)参数：
fileobj：文件对象或支持类似于文件对象的标准读取和查找方法的对象，也可以是表示 PDF 文件路径的字符串。
bookmark (str)：可以通过提供书签的文本来指定要在包含文件的开头应用的书签。
pages ： 指定要合并的的页面范围，可以是Range 或 (start, stop[, step]) 元组
import_bookmarks (bool) ： 可以通过将其指定为 False 来阻止导入源文档的书签。

3、添加书签

addBookmark(title, pagenum, parent=None)参数：
title (str) ： 用于此书签的标题。
pagenum (int)： 此书签将指向的页码。
parent：对父书签的引用以创建嵌套书签。

4、文件写入

write(fileobj)参数：
fileobj ： 输出文件。可以是文件名或任何类型的类似文件的对象。

5、设置页面布局

setPageLayout(layout)参数：
layout (str) ： 要使用的页面布局

6、设置页面模式

setPageMode(mode)参数：
mode (str)： 要使用的页面模式。

4、PageObject

页面对象一般是通过访问 PdfFileReader 的 getPage() 方法创建的。

1、几个页面大小属性

1、artBox

一个 RectangleObject，以默认用户空间单位表示，定义页面创建者所期望的页面有意义内容的范围。

2、bleedBox

一个 RectangleObject，以默认用户空间单位表示，定义在生产环境中输出时页面内容应剪切到的区域。

3、cropBox

一个 RectangleObject，以默认用户空间单位表示，定义默认用户空间的可见区域。

当页面被显示或打印时，其内容将被剪裁（裁剪）到这个矩形，然后以某种实现定义的方式施加到输出介质上。

默认值：与 mediaBox 相同。

4、mediaBox

一个 RectangleObject，以默认用户空间单位表示，定义了要在其上显示或打印页面的物理介质的边界。

5、trimBox

一个 RectangleObject，以默认用户空间单位表示，定义修剪后完成页面的预期尺寸。

2、合并页面

1、合并页面

mergePage(page2)参数：
page2 (PageObject)：要合并到此页面的页面，是 PageObject 的一个实例。

2、合并旋转页面

mergeRotatedPage(page2, rotation, expand=False)参数：
page2 (PageObject) ：要合并到此页面的页面，是 PageObject 的一个实例。
rotation (float) ：旋转的角度，以度为单位
expand (bool) ：是否应扩展页面以适应要合并的页面的尺寸。

3、合并旋转缩放页面

mergeRotatedScaledPage(page2, rotation, scale, expand=False)参数：
page2 (PageObject)： 要合并到此页面的页面，是 PageObject 的一个实例。
rotation (float)： 旋转的角度，以度为单位
scale (float)： 比例因子
expand (bool) ：是否应扩展页面以适应要合并的页面的尺寸。

4、合并旋转缩放平移页面

mergeRotatedScaledTranslatedPage(page2, rotation, scale, tx, ty, expand=False)参数：
page2 (PageObject) ： 要合并到此页面的页面，是 PageObject 的一个实例。
tx (float) ：X轴平移
ty (float) ：Y轴平移
rotation (float) ：旋转的角度，以度为单位
scale (float) ： 比例因子
expand (bool) ：是否应扩展页面以适应要合并的页面的尺寸。

5、合并旋转平移页面

mergeRotatedTranslatedPage(page2, rotation, tx, ty, expand=False)参数：
page2 (PageObject)： 要合并到此页面的页面，是 PageObject 的一个实例。
tx (float) ：X轴平移
ty (float) ：Y轴平移
rotation (float) ：旋转的角度，以度为单位
expand (bool) ： 是否应扩展页面以适应要合并的页面的尺寸。

6、合并缩放页面

mergeScaledPage(page2, scale, expand=False)参数：
page2 (PageObject) ：要合并到此页面的页面，是 PageObject 的一个实例。
scale (float) ：比例因子
expand (bool) ：是否应扩展页面以适应要合并的页面的尺寸。

7、合并缩放平移页面

mergeScaledTranslatedPage(page2, scale, tx, ty, expand=False)参数：
page2 (PageObject) ： 要合并到此页面的页面，是 PageObject 的一个实例。
scale (float) ：比例因子
tx (float) ：X轴平移
ty (float) ：Y轴平移
expand (bool) ： 是否应扩展页面以适应要合并的页面的尺寸。

8、合并转换页面

mergeTransformedPage(page2, ctm, expand=False)参数：
page2 (PageObject)： 要合并到此页面的页面，是 PageObject 的一个实例。
ctm (tuple)：包含转换矩阵操作的6元元组
expand (bool) ：是否应扩展页面以适应要合并的页面的尺寸。

9、合并平移页面

mergeTranslatedPage(page2, tx, ty, expand=False)参数：
page2 (PageObject) ：要合并到此页面的页面，是 PageObject 的一个实例。
tx (float) ：X轴平移
ty (float) ：Y轴平移
expand (bool) ：是否应扩展页面以适应要合并的页面的尺寸。

3、旋转

1、顺时针旋转

rotateClockwise(angle)参数：
angle (int) ： 旋转页面的角度，必须是 90 度的增量。

2、逆时针旋转

rotateCounterClockwise(angle)参数：
angle (int)：旋转页面的角度，必须是 90 度的增量。

4、缩放

1、x、y轴分别缩放

scale(sx, sy)参数：
sx (float)：水平轴上的比例因子。
sy (float) ： 垂直轴上的比例因子。

2、x、y轴同时缩放

scaleBy(factor)参数：
factor (float)： 比例因子（对于 X 和 Y 轴）。

3、缩放到指定尺寸

scaleTo(width, height)参数：
width (float)：新的宽度
height (float)： 新的高度

实例

1、添加水印

有一个将进酒.pdf文件：

现在要给它加上水印，要如何实现呢？

1、文字水印

新建一个pdf水印文件，里面是要加的水印文字，如：

代码实现：

from PyPDF2 import PdfFileReader, PdfFileWriter # 导入读、写模块
PdfFileWriter = PdfFileWriter()     # 获取PdfFileWriter对象pdf_file = PdfFileReader(open('将进酒.pdf', 'rb'))  # 要添加水印的文档
num_pages = pdf_file.getNumPages()  # 获取pdf文件的页数for i in range(num_pages):first_page = pdf_file.getPage(i)    # 获取文件的第i+1页text_watermark = PdfFileReader(open('文字.pdf', 'rb'))  # 文字水印文档page_watermark = text_watermark.getPage(0)  # 获取pdf文件第1页页面page_watermark.mergePage(first_page) # 合并两个页面PdfFileWriter.addPage(page_watermark)   # 把合并后的页面写入pdf文件PdfFileWriter.write(open('实例.pdf', 'wb'))    # 保存pdf文件

效果：

2、图片水印

添加图片水印与添加文字水印是一样的操作。

新建一个图片水印文件：

然后把代码里的文字水印文件改成图片水印文件：

from PyPDF2 import PdfFileReader, PdfFileWriter # 导入读、写模块
PdfFileWriter = PdfFileWriter()     # 获取PdfFileWriter对象pdf_file = PdfFileReader(open('将进酒.pdf', 'rb'))  # 要添加水印的文档
num_pages = pdf_file.getNumPages()  # 获取pdf文件的页数for i in range(num_pages):first_page = pdf_file.getPage(i)    # 获取文件的第i+1页text_watermark = PdfFileReader(open('图片.pdf', 'rb'))  # 图片水印文档page_watermark = text_watermark.getPage(0)  # 获取pdf文件第1页页面page_watermark.mergePage(first_page) # 合并两个页面PdfFileWriter.addPage(page_watermark)   # 把合并后的页面写入pdf文件PdfFileWriter.write(open('实例.pdf', 'wb'))    # 保存pdf文件

效果：

2、PDF合并

现在有两个pdf文件：将进酒.pdf、梦游天姥吟留别.pdf。

合并两个文档的代码实现：

from PyPDF2 import PdfFileMergerPdfFileMerger = PdfFileMerger()PdfFileMerger.append('将进酒.pdf')   # 附加将进酒.pdf内容
PdfFileMerger.append('梦游天姥吟留别.pdf')   # 附加梦游天姥吟留别.pdf内容PdfFileMerger.write(open('实例.pdf', 'wb'))

效果：

3、PDF插入

以我们刚刚的两个文件：将进酒.pdf、梦游天姥吟留别.pdf为例。

假如我们现在需要，在将进酒.pdf第一页的后面插入梦游天姥吟留别.pdf的文档内容，要如何实现呢？

代码实现：

from PyPDF2 import PdfFileMergerPdfFileMerger = PdfFileMerger()PdfFileMerger.merge(0, '将进酒.pdf')
PdfFileMerger.merge(1, '梦游天姥吟留别.pdf')PdfFileMerger.write(open('实例.pdf', 'wb'))

效果：

4、PDF分割

假设我们现在有这样一个文件：数据.pdf，它一共有6页：

现在我们把它两页两页的分割成一个文档，也就是一共分成三个文档。

代码实现：

from PyPDF2 import PdfFileReader,PdfFileWriterpdfFileReader = PdfFileReader('数据.pdf')  # 获取 PdfFileReader 对象
num_pages = pdfFileReader.getNumPages() # 获取页数for i in range(0,num_pages,2):pdfFileWriter = PdfFileWriter()page_Obj = pdfFileReader.getPage(i) # 获取第i+1页页面pdfFileWriter.addPage(page_Obj) # 添加读取的第i+1页页面page_Obj = pdfFileReader.getPage(i+1) # 获取第i+2页页面pdfFileWriter.addPage(page_Obj) # 添加读取的第i+2页页面outfile = '第%s页--第%s页.pdf'%(i+1,i+2)pdfFileWriter.write(open(outfile, 'wb'))

效果：

5、PDF删除页面

一样的，我们以数据.pdf文件为例，现在我们来删除第3页的内容。

代码实现：

from PyPDF2 import PdfFileReader,PdfFileWriterpdfFileReader = PdfFileReader('数据.pdf')  # 获取 PdfFileReader 对象
num_pages = pdfFileReader.getNumPages() # 获取页数pdfFileWriter = PdfFileWriter()for i in range(num_pages):if i != 2:    page_Obj = pdfFileReader.getPage(i) # 获取第i+1页页面pdfFileWriter.addPage(page_Obj) # 添加读取的第i+1页页面outfile = '实例.pdf'
pdfFileWriter.write(open(outfile, 'wb'))

效果：

6、PDF提取页面

一样的，我们以数据.pdf文件为例，现在我们来提取第3页的内容，并另存为一个新文件。

代码：

from PyPDF2 import PdfFileReader,PdfFileWriterpdfFileReader = PdfFileReader('数据.pdf')  # 获取 PdfFileReader 对象
num_pages = pdfFileReader.getNumPages() # 获取页数pdfFileWriter = PdfFileWriter()for i in range(num_pages):if i == 2:    page_Obj = pdfFileReader.getPage(i) # 获取第i+1页页面pdfFileWriter.addPage(page_Obj) # 添加读取的第i+1页页面outfile = '实例.pdf'
pdfFileWriter.write(open(outfile, 'wb'))

效果：

7、PDF旋转页面

我们把将进酒.pdf文档顺时针旋转90°。

代码：

from PyPDF2 import PdfFileReader,PdfFileWriterpdfFileReader = PdfFileReader('将进酒.pdf')  # 获取 PdfFileReader 对象
num_pages = pdfFileReader.getNumPages() # 获取页数pdfFileWriter = PdfFileWriter()for i in range(num_pages):page_Obj = pdfFileReader.getPage(i) # 获取第i+1页页面page_Obj.rotateClockwise(90) # 顺时针旋转90°pdfFileWriter.addPage(page_Obj) # 添加读取的第i+1页页面outfile = '实例.pdf'
pdfFileWriter.write(open(outfile, 'wb'))

效果：

8、PDF拼接页面

我们以数据.pdf为例，假设我们现在需要把前4页的页面，拼接到一个页面上去，如何实现呢？

代码实现：

from PyPDF2 import PdfFileReader, PdfFileWriterPdfFileWriter = PdfFileWriter()
pdfFileReader = PdfFileReader(open('数据.pdf', 'rb'))page_1 = pdfFileReader.getPage(0)   # 获取第1页页面
page_1.scaleTo(100, 150)    # 页面缩放至宽100，高150page_2 = pdfFileReader.getPage(1)   # 获取第2页页面
page_2.scaleTo(100, 150)          # 页面缩放至宽100，高150page_3 = pdfFileReader.getPage(2)   # 获取第3页页面
page_3.scaleTo(100, 150)          # 页面缩放至宽100，高150page_4 = pdfFileReader.getPage(3)   # 获取第4页页面
page_4.scaleTo(100, 150)          # 页面缩放至宽100，高150page_1.mergeTranslatedPage(page_2, 100, 0, expand=True)  # 拼接页面
page_1.mergeTranslatedPage(page_3, 0, -150, expand=True)  # 拼接页面
page_1.mergeTranslatedPage(page_4, 100, -150, expand=True)  # 拼接页面PdfFileWriter.addPage(page_1)
PdfFileWriter.write(open('实例.pdf', 'wb'))

效果：

9、PDF加密解密

1、加密

from PyPDF2 import PdfFileReader,PdfFileWriterpdfFileReader = PdfFileReader('将进酒.pdf')  # 获取 PdfFileReader 对象
num_pages = pdfFileReader.getNumPages() # 获取页数pdfFileWriter = PdfFileWriter()for i in range(num_pages): page_Obj = pdfFileReader.getPage(i) # 获取第i+页页面pdfFileWriter.addPage(page_Obj) # 添加读取的第i+1页页面pdfFileWriter.encrypt('123456') # 加密
outfile = '实例.pdf'
pdfFileWriter.write(open(outfile, 'wb'))

效果：

如果这个时候我们操作文件的话，会报错：

2、解密

from PyPDF2 import PdfFileReader
pdfFileReader = PdfFileReader('实例.pdf') # 获取 PdfFileReader 对象is_encrypted = pdfFileReader.isEncrypted # 判断是否加密
print(is_encrypted)  #-->> Trueis_password = pdfFileReader.decrypt('123456')
print(is_password) #-->> 1is_encrypted = pdfFileReader.isEncrypted # 判断是否加密
print(is_encrypted) #-->> Truenum_pages = pdfFileReader.getNumPages() # 获取页数
print(num_pages) #-->> 2

好啦，关于PyPDF2的内容我们就讲到这。

当然，对于PyPDF2的操作更多是在文档本身上，因此如果想对文档内容进行操作的话，得另找它路。这个我们就下次再分享啦。

关注