Python利用字节串或字节数组来加载和保存PDF文档_Python

引言

处理pdf文件的可以直接读取和写入文件系统中的pdf文件，然而，通过字节串（byte string）或字节数组（byte array）来加载和保存pdf文档在某些情况下更高效。这种方法不仅可以提高数据处理的灵活性，允许开发者在内存中直接操作pdf，而且还能增强安全性，同时方便跨应用传输和网络传输。

本文将介绍如何使用python通过字节串或字节数组来加载和保存pdf文档。

本文所使用的方法需要用到spire.pdf for python，pypi：pip install spire.pdf。

创建pdf文档并保存为字节串或字节数组

我们可以使用库中的类和方法直接创建pdf文档，并将其保存到stream对象。此对象可通过stream.toarray()方法转换为不可变的bytes对象进行操作。而bytes对象也可以直接转换为可变的bytearray对象，从而对文件进行字节层面的编辑或其他操作。以下是操作步骤：

导入所需模块。
创建pdfdocument对象。
设置pdf页面，添加页面并绘制内容。
使用pdfdocument.savetostream()方法将pdf文档保存到stream对象。
使用stream.toarray()方法将stream对象转换为bytes对象。
可使用bytes对象直接构建bytearray对象。
接下来可以字节串或字节数组进行更多操作，如写入文件、传输等。

代码示例

from spire.pdf import *

# 创建pdfdocument类的一个实例
pdf = pdfdocument()

# 设置文档的页面大小和边距
pagesettings = pdf.pagesettings
pagesettings.size = pdfpagesize.a4()
pagesettings.margins.top = 50
pagesettings.margins.bottom = 50
pagesettings.margins.left = 40
pagesettings.margins.right = 40

# 向文档添加一个新的页面
page = pdf.pages.add()

# 为文档内容创建字体和画笔
titlefont = pdftruetypefont("harmonyos sans sc", 16.0, pdffontstyle.bold, true)
titlebrush = pdfbrushes.get_brown()
contentfont = pdftruetypefont("harmonyos sans sc", 13.0, pdffontstyle.regular, true)
contentbrush = pdfbrushes.get_black()

# 在页面上绘制标题
titletext = "人工智能简介"
titlesize = titlefont.measurestring(titletext)
page.canvas.drawstring(titletext, titlefont, titlebrush, pointf(0.0, 30.0))

# 在页面上绘制正文文本
contenttext = ("人工智能（ai）是计算机科学的一个分支，它旨在创造能够模拟人类智能行为的机器。这包括学习（通过经验改进自身）、推理（使用规则来达到近似或确定性的结论）、自我修正等特性。ai的应用范围广泛，从简单的任务自动化到复杂的决策支持系统均有涉及。")
# 设置正文文本的格式
contentformat = pdfstringformat()
contentformat.alignment = pdftextalignment.justify
contentformat.linespacing = 20.0
# 使用正文文本创建一个textwidget对象并应用字符串格式
textwidget = pdftextwidget(contenttext, contentfont, contentbrush)
textwidget.stringformat = contentformat
# 创建一个textlayout对象并设置布局选项
textlayout = pdftextlayout()
textlayout.layout = pdflayouttype.paginate
textlayout.break = pdflayoutbreaktype.fitpage
# 在页面上绘制textwidget
rect = rectanglef(pointf(0.0, titlesize.height + 50.0), page.canvas.clientsize)
textwidget.draw(page, rect, textlayout)

# 将pdf文档保存到一个stream对象
pdfstream = stream()
pdf.savetostream(pdfstream)

# 将stream对象转换为bytes对象
pdfbytes = pdfstream.toarray()

# 将stream对象转换为bytearray对象
pdfbytearray = bytearray(pdfstream.toarray())

# 将字节流写入文件
with open("output/ai简介.pdf", "wb") as f:
    f.write(pdfbytearray)

结果

从字节串或字节数组加载pdf文档进行操作

stream类支持用bytes对象（或bytearray直接转换为bytes）直接构建实例。然后，我们可以使用pdfdocument.loadfromstream()方法将stream对象载入为pdf文档进行文档操作，如编辑、转换等。以下是操作步骤：

导入所需模块。
创建bytes对象或使用现有bytes对象，来构建stream对象。
创建pdfdocument对象。
使用pdfdocument.loadfromstream()方法将stream对象载入为pdf文档。
对文档进行操作，如提取页面文字。

代码示例

from spire.pdf import *

# 从pdf文件创建一个字节数组
with open("示例.pdf", "rb") as f:
    bytedata = f.read()

# 从字节数组创建一个stream对象
stream = stream(bytedata)

# 将stream对象加载为pdf文档
pdf = pdfdocument(stream)

# 获取第一页的文字
page = pdf.pages.get_item(0)
textextractor = pdftextextractor(page)
extractoptions = pdftextextractoptions()
extractoptions.isextractalltext = true
text = textextractor.extracttext(extractoptions)

# 打印文字
print(text)

结果