用Python处理PDF

2019 年 10 月 8 日
筆記

本文1146字，预计阅读需8分钟；

PDF作为可移植文档格式(Portable Document Format)，在日常生活中经常接触到，最近处理一些数据更是频繁接触一些需要批量处理pdf文件的需求，因此便想整理一下自己实践的用Python处理PDF格式数据的笔记。本文会保持更新。PDF处理的高频需求有：读取、写入、格式转换（pdf提取文本写入txt、根据url写入pdf等）、批处理（多个pdf合并为1个、切分pdf）等等。查了下相关资料，Python操作PDF的库有（只是应用的话肯定不至于造轮子从二进制数据开始读）：pdfminer、pdfminer3k、PyPDF、PyPDF2、pdf2htmlex、pdf2image、pdf2xlsx等。

可用的pdf库

用pdf2合并和切分PDF

比较几个库之后打算先从PyPDF2快速实现一些功能。其官方文档为PyPDF2 Documentation[1]，根据文档，PDF2库包含了 PdfFileReader PdfFileMerger PageObject PdfFileWriter 四个常用的主要的调用类，意思也很明确。先用pip install PyPDF2安装库。

批量合并pdf

import osfrom PyPDF2 import PdfFileReader, PdfFileWriter #导入需要的类（库）wp='D:/doc_of_pdf/' #work_path  #合并同一个文件夹下的pdf文件flst=[] #获得pdf文件路径for root, dirs, files in os.walk(wp):    flst=filesflst=[wp+f for f in flst]out_pdf=PdfFileWriter()for pf in flst:    in_pdf=PdfFileReader(open(pf, 'rb')) #二进制打开    page_count=in_pdf.getNumPages() #输入pdf的页数    for pc in range(page_count):         out_pdf.addPage(in_pdf.getPage(pc)) #逐页循环with open(wp+'合并笔记_1-3章.pdf','wb') as wf:    out_pdf.write(wf)#out_pdf.getNumPages()

执行前后对比

切分pdf为多个pdf

#将一个pdf文件根据一定规则切分为多个  sc_pdf=PdfFileReader(open(flst[0], 'rb')) #对第一章笔记进行处理count_sc=sc_pdf.getNumPages()#每7页切分为1个PDF文件out_pdf=PdfFileWriter() #用以输出pdffor c in range(count_sc):    if c%7==0 and c>0:        with open(wp+'切分_{0}.pdf'.format(c),'wb') as wf:            out_pdf.write(wf)        out_pdf=PdfFileWriter() #重建一个空对象    else:        out_pdf.addPage(sc_pdf.getPage(c))

切分测试结果截图

通过上面的实践，可以看到实现这几个需求高频使用到的方法就是新建一个Reader或Writer对象，通过.getNumPages()获取一共的页码，通过.getPage(page)获取特定页，.addPage()写入页码。

图片转PDF

需要用到额外的PIL库:处理图片的神器。

#单张图片转pdffrom PIL import Imagefrom PyPDF2 import PdfFileReader, PdfFileWriterimg = Image.open('D:/docOfStu/pypdf2-mindmap-01.JPG')img.save('D:/docOfStu/pypdf2-mindmap-01.pdf', 'PDF') #通过PIL库保存为pdf格式  #多张图片转pdfilst=['D:/docOfStu/pypdf2-mindmap-01.jpg','D:/docOfStu/pypdf2-mindmap-02.jpg'] #图片列表 # for root, dirs, files in os.walk(wpt): ilst=files  #也可以通过os.walk(wpt) 读取文件夹wpt下所有图片out_pdf=PdfFileWriter()for f in ilst:    img = Image.open(f)    fw=f.replace('.jpg','.pdf')    img.save(fw)    out_pdf.appendPagesFromReader(PdfFileReader(open(fw,'rb'))) #也可拆这句为 sc_pdf=PdfFileReader(open(fw,'rb')); out_pdf.addPage(sc_pdf.getPage(0))out_pdf.write(open('D:/docOfStu/pypdf2-mindmap-04.pdf','wb'))

图片转pdf对比效果

页面处理

过滤pdf中的的特定页面，只保留特定页面；另一方面，给pdf文件添加特定页面；

#过滤pdf的特定页面，只保留特定页面；  from PyPDF2 import PdfFileReader, PdfFileWriter  with open('zz-pdf.pdf', 'rb') as rf: #需去除特定页面的pdf    in_pdf=PdfFileReader(rf)      out_pdf=PdfFileWriter()    add_pages=[1] #从0开始计数     for i in range(in_pdf.getNumPages()):        if i in add_pages:            with open('pdf-marker.pdf','rb') as mf:                out_pdf.addPage(PdfFileReader(mf).getPage(0)) #取特定的一页        out_pdf.addPage(in_pdf.getPage(i))    out_pdf.write(open('zz-pdf-marker.pdf','wb'))    #将特定页面添加到pdf文件里  m_pdf=PdfFileMerger() m_pdf.merge(0,'zz-pdf.pdf',pages=(0,2)) #提前确定初始化的时候有多少页m_pdf.merge(1,'ipynb2pdf.pdf',pages=(0,1)) #可以省略用open打开的操作m_pdf.write(open('zz-pdf-marker-7.pdf','wb'))  with open('zz-pdf.pdf', 'rb') as rf: #另一种写法    #in_pdf=PdfFileReader(rf)    m_pdf=PdfFileMerger()     m_pdf.merge(0,rf,pages=(0,2))    with open('ipynb2pdf.pdf','rb') as f:        m_pdf.merge(1,f,pages=(0,1))        m_pdf.write(open('zz-pdf-marker-6.pdf','wb'))

代码同步更新于：https://github.com/QLWeilcf/ Stack_lcf/blob/master/pdfProccWithpy.ipynb。

References

[1] PyPDF2 Documentation: https://pythonhosted.org/PyPDF2/ [2] QLWeilcf_pdfProccWithpy.ipynb: https://github.com/QLWeilcf/Stack_lcf/blob/master/pdfProccWithpy.ipynb [3] PyPDF2 Documentation: https://pythonhosted.org/PyPDF2/ [4] pdfminer: https://pypi.org/project/pdfminer/