付費?是不可能的!20行Python代碼實現一款永久免費PDF編輯工具

​PDF(Portable Document Format),中文名稱便攜文檔格式是我們經常會接觸到的一種文件格式,文獻、文檔…很多都是PDF格式。它以格式穩定的優勢,使得我們在列印、分享、傳輸過程中能夠最優的保持原有色彩和格式。

PDF是以PostScript語言圖像模型為基礎的一種文檔格式,它在格式的穩定性方面雖然具有很大優勢。但是,在可編輯性方面卻為使用者引入了另外一個困擾。

例如,在文檔的分割、合併、剪切、轉換、編輯等方面PDF就有些捉襟見肘了。

Adobe Reader、福昕閱讀器、熊貓PDF…經常用到的PDF工具只能用於文檔閱讀,但是免費版都不可以用於文檔編輯。雖然,網頁版PDF工具,例如SmallPDF、I love PDF可以用於PDF的編輯,但是對於文檔大小也有限制。

曾經,為了替換PDF中的一頁,我幾乎試遍了所有市面上主流的PDF工具,最終還是不得不選擇使用付費工具來解決問題。

事後想了想,既然這些商業化軟體不靠譜,為什麼不考慮自己動手開發一款工具呢?明明幾十行代碼能夠解決的問題,為什麼要費那麼多勁去下載、安裝那些沒有節操的軟體呢?

本文就來介紹一下利用Python輕鬆開發一款PDF編輯工具,可以用於PDF轉TxT、分割、合併、剪切、轉換。

PyPDF2

PyPDF2是一個第三方的python PDF庫,它能夠對PDF文件進行分割合併裁剪轉換頁面

另外,它還可以對PDF文件添加自定義數據、水印、密碼,也可以從PDF文件中檢索出文本和元數據。

安裝

使用pip直接安裝:

$ pip install PyPDF2

下面就來演示幾項PDF編輯功能,並且會逐行解釋代碼的含義。

刪除PDF頁

先給出實現代碼,

from PyPDF2 import PdfFileWriter, PdfFileReader

output = PdfFileWriter()     // 1
input1 = PdfFileReader(open("example.pdf", "rb")) // 2

def delete_pdf(index):
 pages = input1.getNumPages() // 3

 for i in range(pages):
  if i+1 in index:
   continue
  output.addPage(input1.getPage(i))  // 4

 outputStream = open("PyPDF2-output.pdf", "wb")
 output.write(outputStream)  // 5

delete_pdf([2,3,4])

下面來解釋一下代碼中的幾個關鍵點:

  1. 聲明一個用於輸出PDF的實例;
  2. 讀取本地PDF文件;
  3. 獲取PDF文檔的頁數;
  4. 讀取PDF的第i頁,添加到輸出output實例中;
  5. 把編輯後的文檔保存到本地;

合併PDF

已經實現了刪除PDF頁,接下來就看一下如何把另外一個PDF中的頁面合併到當前PDF中。

方法1:

可以沿著前面刪除PDF頁的方式進行拓展一下,對PDF進行合併。

from PyPDF2 import PdfFileWriter, PdfFileReader

output = PdfFileWriter()
input1 = PdfFileReader(open("example.pdf", "rb"))
input2 = PdfFileReader(open("simple2.pdf", "rb")) // 1

def merge_pdf(add_index, origin_index):
 pages = input1.getNumPages()
 k = 0
 for i in range(pages):
  if i+1 in add_index:
   output.addPage(input2.getPage(origin_index[k])) // 2
   pages += 1
   k += 1
  output.addPage(input1.getPage(i))

 outputStream = open("PyPDF2-output.pdf", "wb")
 output.write(outputStream)

merge_pdf([2,3,4], [0, 0, 0])
  1. 讀取需要合併的源文件;
  2. 遍歷到指定頁,合併源PDF的頁面;

方法2:

除了方法1,還有另外一種方法可以合併PDF:

from PyPDF2 import PdfFileMerger // 1

merger = PdfFileMerger()

input1 = open("document1.pdf", "rb") // 2
input2 = open("document2.pdf", "rb")
input3 = open("document3.pdf", "rb")

merger.append(fileobj = input1, pages = (0,3)) // 3

merger.merge(position = 2, fileobj = input2, pages = (0,1)) // 4

merger.append(input3) // 5

output = open("document-output.pdf", "wb")
merger.write(output)
  1. 導入PyPDF2合併模塊PdfFileMerger;
  2. 讀取需要處理和合併的PDF文檔;
  3. 從第一個PDF文檔中取出需要合併的前3頁;
  4. 把第二個PDF文檔的第一頁插入到文檔中;
  5. 把第三個PDF文檔附到輸出文檔末尾;

除了上述介紹的2項主要功能,PyPDF2也有一些其他小功能:

旋轉

input1.getPage(1).rotateClockwise(90)

使得頁面1旋轉90度。

添加水印

page = input1.getPage(3)
watermark = PdfFileReader(open("watermark.pdf", "rb"))
page.mergePage(watermark.getPage(0))

其中,水印存儲在另外一個PDF文檔watermark.pdf中。

加密

password = "secret"
output.encrypt(password)

首先給一個secret密碼,然後使用encrypt對輸出文檔進行加密。

pdfminer

前面介紹的PyPDF2主要擅長於PDF頁面級編輯,而對於文本和源數據級別編輯能力較弱。

所以,這裡就來介紹另外一款Python庫來彌補它的不足。

PDFMiner是一個PDF文檔的文本提取工具,它具有如下特性:

  • 能夠準確獲取文本的位置和布局信息;
  • 可以將PDF轉換為HTML/XML等格式;
  • 可以提取目錄;
  • 可以提取標籤內容;
  • 支持各種字體類型(Type1、TrueType、Type3和CID);
  • 支持中、日、韓語言和垂直書寫文本;

安裝

$ pip install pdfminer

PDF轉TxT

pdfminer在GitHub的託管項目中,在目錄tools下給出了一些實用的工具集,例如,PDF轉HTML、PDF轉HTML、PDF轉TXT。我們可以直接通過使用下面命令提出PDF文檔中的文本信息。

$ pdf2txt.py samples/simple1.pdf

總結

通過上述2款Python庫,就可以實現從頁面到文本元數據的編輯,本文只是簡單的介紹了每項的基本用法。關於詳細的用法和函數列表,可以閱讀官方文檔,或者閱讀GitHub上項目源碼進行了解。此外,可以在這些基本的用法基礎上進行發散思維,發掘更多有價值的應用場景,例如,提出文本數據之後調用翻譯API進行文獻翻譯。也可以,對軟體進行封裝,開發成一款通用的PDF編輯工具。


推薦閱讀