Python实现PyPDF2处理PDF文件的方法示例

Python  /  管理员 发布于 7年前   743

实际应用中，可能会涉及处理 pdf 文件，PyPDF2 就是这样一个库，使用它可以轻松的处理 pdf 文件，它提供了读，割，合并，文件转换等多种操作。

文档地址：http://pythonhosted.org/PyPDF2/

PyPDF2 安装

PyCharm 安装：File -> Default Settings -> Project Interpreter

PdfFileReader

构造方法：

PyPDF2.PdfFileReader(stream,strict = True,warndest = None,overwriteWarnings = True)

初始化一个 PdfFileReader 对象，此操作可能需要一些时间，因为 PDF 流的交叉引用表被读入内存。

参数：

• stream：*File 对象或支持与 File 对象类似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用的问题，也导致一些可纠正的问题是致命的，默认是 True

• warndest : 记录警告的目标(默认是 sys.stderr)

• overwriteWarnings(bool)：确定是否 warnings.py 用自定义实现覆盖 Python 模块（默认为 True）

PdfFileReader 对象的属性和方法

属性和方法                                   描述
getDestinationPageNumber(destination)    检索给定目标对象的页码    
getDocumentInfo()                        检索 PDF 文件的文档信息字典    
getFields(tree = None,retval = None,fileObj= None)    如果此 PDF 包含交互式表单字段，则提取字段数据，    
getFormTextFields()                        从文档中检索带有文本数据（输入，下拉列表）的表单域    
getNameDestinations(tree = None,retval= None)    检索文档中的指定目标    
getNumPages()                                计算此 PDF 文件中的页数    
getOutlines(node = None,outline = None,)    检索文档中出现的文档大纲    
getPage(pageNumber)                        从这个 PDF 文件中检索指定编号的页面    
getPageLayout()                            获取页面布局    
getPageMode()                                获取页面模式    
getPageNumber(pageObject)                    检索给定 pageObject 处于的页码    
getXmpMetadata()                            从 PDF 文档根目录中检索 XMP 数据    
isEncrypted                                显示 PDF 文件是否加密的只读布尔属性    
namedDestinations                        访问该getNamedDestinations()函数的只读属性

PDF 读取操作：

# encoding:utf-8
from PyPDF2 import PdfFileReader, PdfFileWriter

readFile = 'C:/Users/Administrator/Desktop/RxJava 完全解析.pdf'
# 获取 PdfFileReader 对象
pdfFileReader = PdfFileReader(readFile) # 或者这个方式：pdfFileReader = PdfFileReader(open(readFile, 'rb'))
# 获取 PDF 文件的文档信息
documentInfo = pdfFileReader.getDocumentInfo()
print('documentInfo = %s' % documentInfo)
# 获取页面布局
pageLayout = pdfFileReader.getPageLayout()
print('pageLayout = %s ' % pageLayout)

# 获取页模式
pageMode = pdfFileReader.getPageMode()
print('pageMode = %s' % pageMode)

xmpMetadata = pdfFileReader.getXmpMetadata()
print('xmpMetadata = %s ' % xmpMetadata)

# 获取 pdf 文件页数
pageCount = pdfFileReader.getNumPages()

print('pageCount = %s' % pageCount)
for index in range(0, pageCount):
  # 返回指定页编号的 pageObject
  pageObj = pdfFileReader.getPage(index)
  print('index = %d , pageObj = %s' % (index, type(pageObj))) #

输出结果:

documentInfo = {'/Title': IndirectObject(157, 0), '/Producer': IndirectObject(158, 0), '/Creator': IndirectObject(159, 0), '/CreationDate': IndirectObject(160, 0), '/ModDate': IndirectObject(160, 0), '/Keywords': IndirectObject(161, 0), '/AAPL:Keywords': IndirectObject(162, 0)}
pageLayout = None
pageMode = None
xmpMetadata = None
pageCount = 3
index = 0 , pageObj =

PdfFileWriter

这个类支持 PDF 文件，给出其他类生成的页面。

属性和方法                                           描述
addAttachment(fname,fdata)                在 PDF 中嵌入文件    
addBlankPage(width= None,height=None)    追加一个空白页面到这个 PDF 文件并返回它    
addBookmark(title,pagenum,parent=None,color=None,bold=False,italic=False,fit='/fit,*args')    
addJS(javascript)                        添加将在打开此 PDF 是启动的 javascript    
addLink(pagenum,pagedest,rect,border=None,fit='/fit',*args)    从一个矩形区域添加一个内部链接到指定的页面    
addPage(page)                            添加一个页面到这个PDF 文件，该页面通常从 PdfFileReader 实例获取    
getNumpages()                            页数    
getPage(pageNumber)                        从这个 PDF 文件中检索一个编号的页面    
insertBlankPage(width=None,height=None,index=0)    插入一个空白页面到这个 PDF 文件并返回它，如果没有指定页面大小，就使用最后一页的大小    
insertPage(page,index=0)                    在这个 PDF 文件中插入一个页面，该页面通常从 PdfFileReader 实例获取    
removeLinks()                            从次数出中删除连接盒注释    
removeText(ignoreByteStringObject = False)    从这个输出中删除图像    
write(stream)                            将添加到此对象的页面集合写入 PDF 文件

PDF 写入操作：

def addBlankpage():
  readFile = 'C:/Users/Administrator/Desktop/RxJava 完全解析.pdf'
  outFile = 'C:/Users/Administrator/Desktop/copy.pdf'
  pdfFileWriter = PdfFileWriter()

  # 获取 PdfFileReader 对象
  pdfFileReader = PdfFileReader(readFile) # 或者这个方式：pdfFileReader = PdfFileReader(open(readFile, 'rb'))
  numPages = pdfFileReader.getNumPages()

  for index in range(0, numPages):
    pageObj = pdfFileReader.getPage(index)
    pdfFileWriter.addPage(pageObj) # 根据每页返回的 PageObject,写入到文件
    pdfFileWriter.write(open(outFile, 'wb'))

  pdfFileWriter.addBlankPage()  # 在文件的最后一页写入一个空白页,保存至文件中
  pdfFileWriter.write(open(outFile,'wb'))

结果是：在写入的 copy.pdf 文档的最后最后一页写入了一个空白页。

分割文档（取第五页之后的页面）

def splitPdf():
  readFile = 'C:/Users/Administrator/Desktop/RxJava 完全解析.pdf'
  outFile = 'C:/Users/Administrator/Desktop/copy.pdf'
  pdfFileWriter = PdfFileWriter()

  # 获取 PdfFileReader 对象
  pdfFileReader = PdfFileReader(readFile) # 或者这个方式：pdfFileReader = PdfFileReader(open(readFile, 'rb'))
  # 文档总页数
  numPages = pdfFileReader.getNumPages()

  if numPages > 5:
    # 从第五页之后的页面，输出到一个新的文件中，即分割文档
    for index in range(5, numPages):
      pageObj = pdfFileReader.getPage(index)
      pdfFileWriter.addPage(pageObj)
    # 添加完每页，再一起保存至文件中
    pdfFileWriter.write(open(outFile, 'wb'))

合并文档

def mergePdf(inFileList, outFile):
  '''
  合并文档
  :param inFileList: 要合并的文档的 list
  :param outFile:  合并后的输出文件
  :return:
  '''
  pdfFileWriter = PdfFileWriter()
  for inFile in inFileList:
    # 依次循环打开要合并文件
    pdfReader = PdfFileReader(open(inFile, 'rb'))
    numPages = pdfReader.getNumPages()
    for index in range(0, numPages):
      pageObj = pdfReader.getPage(index)
      pdfFileWriter.addPage(pageObj)

    # 最后,统一写入到输出文件中
    pdfFileWriter.write(open(outFile, 'wb'))

PageObject

PageObject(pdf=None,indirectRef=None)

此类表示 PDF 文件中的单个页面，通常这个对象是通过访问 PdfFileReader 对象的 getPage() 方法来得到的，也可以使用 createBlankPage() 静态方法创建一个空的页面。

参数：

• pdf : 页面所属的 PDF 文件。

• indirectRef：将源对象的原始间接引用存储在其源 PDF 中。

PageObject 对象的属性和方法

属性或方法                                                    描述
static createBlankPage(pdf=None,width=None,height=None)    返回一个新的空白页面    
extractText()                                            找到所有文本绘图命令，按照他们在内容流中提供的顺序，并提取文本    
getContents()                                            访问页面内容，返回 Contents 对象或 None    
rotateClockwise(angle)                                    顺时针旋转 90 度    
scale(sx,sy)                                                通过向其内容应用转换矩阵并更新页面大小

粗略读取 PDF 文本内容

def getPdfContent(filename):
  pdf = PdfFileReader(open(filename, "rb"))
  content = ""
  for i in range(0, pdf.getNumPages()):
    pageObj = pdf.getPage(i)

    extractedText = pageObj.extractText()
    content += extractedText + "\n"
    # return content.encode("ascii", "ignore")
  return content