使用Python进行PDF文档处理的常见操作_Python

引言

使用 python 进行 pdf 文档处理可以通过多种库来实现，包括 pypdf2、pdfplumber、reportlab、pdfminer 等。这些库可以处理不同的 pdf 任务，例如提取文本、拆分合并 pdf、修改 pdf、生成 pdf 等。以下是几种常见操作及对应的库和代码示例。

1. 安装常用库

首先，安装常用的 pdf 处理库：

pip install pypdf2 pdfplumber reportlab

2. 提取 pdf 文本

pypdf2 和 pdfplumber 都可以用于提取 pdf 文本。pypdf2 更轻量，但有时处理复杂的 pdf 格式效果较差，而 pdfplumber 更加适合处理表格等复杂结构的 pdf。

使用 pypdf2 提取文本

import pypdf2

# 打开 pdf 文件
with open('sample.pdf', 'rb') as file:
    reader = pypdf2.pdfreader(file)
    
    # 提取每一页的文本
    for page_num in range(len(reader.pages)):
        page = reader.pages[page_num]
        text = page.extract_text()
        print(f"第 {page_num + 1} 页的文本:\n{text}")

使用 pdfplumber 提取文本

pdfplumber 更适合处理结构化数据，尤其是表格。

import pdfplumber

# 打开 pdf 文件
with pdfplumber.open('sample.pdf') as pdf:
    for page_num in range(len(pdf.pages)):
        page = pdf.pages[page_num]
        text = page.extract_text()
        print(f"第 {page_num + 1} 页的文本:\n{text}")

3. 合并与拆分 pdf 文件

使用 pypdf2 合并 pdf 文件

可以将多个 pdf 文件合并为一个文件。

import pypdf2

pdf_files = ['file1.pdf', 'file2.pdf', 'file3.pdf']
merger = pypdf2.pdfmerger()

for pdf in pdf_files:
    merger.append(pdf)

# 保存合并后的 pdf 文件
with open('merged_output.pdf', 'wb') as output_file:
    merger.write(output_file)

使用 pypdf2 拆分 pdf 文件

将 pdf 文件拆分为单独的页面。

import pypdf2

# 打开 pdf 文件
with open('sample.pdf', 'rb') as file:
    reader = pypdf2.pdfreader(file)
    
    # 按页拆分并保存
    for page_num in range(len(reader.pages)):
        writer = pypdf2.pdfwriter()
        writer.add_page(reader.pages[page_num])
        
        with open(f'split_page_{page_num + 1}.pdf', 'wb') as output_file:
            writer.write(output_file)

4. 创建和修改 pdf

使用 reportlab 创建 pdf 文件

reportlab 是一个功能强大的库，可以用来生成新的 pdf 文件，支持插入文本、图片、图形等。

from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvas

# 创建 pdf 文件
c = canvas.canvas("output.pdf", pagesize=letter)
c.drawstring(100, 750, "hello, this is a pdf created with reportlab!")

# 创建矩形
c.rect(100, 700, 400, 100)

# 保存 pdf
c.showpage()
c.save()

使用 reportlab 插入图片

你可以使用 reportlab 插入图片到 pdf 中。

from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvas

c = canvas.canvas("output_with_image.pdf", pagesize=letter)
c.drawstring(100, 750, "this is a pdf with an image:")

# 插入图片
c.drawimage("image.png", 100, 600, width=200, height=150)

c.showpage()
c.save()

5. 提取 pdf 表格

pdfplumber 提供了提取 pdf 中表格的功能，非常适合处理含有表格的文档。

import pdfplumber

# 打开 pdf 文件
with pdfplumber.open('table_sample.pdf') as pdf:
    first_page = pdf.pages[0]
    
    # 提取表格数据
    tables = first_page.extract_table()
    
    # 打印提取到的表格数据
    for row in tables:
        print(row)

6. pdf 文档加密与解密

使用 pypdf2 加密 pdf 文件

你可以加密 pdf 文件，防止未经授权的访问。

import pypdf2

# 打开 pdf 文件
with open('sample.pdf', 'rb') as file:
    reader = pypdf2.pdfreader(file)
    writer = pypdf2.pdfwriter()

    for page_num in range(len(reader.pages)):
        writer.add_page(reader.pages[page_num])

    # 设置密码
    writer.encrypt(user_password='user123', owner_password='owner123')

    with open('encrypted_output.pdf', 'wb') as output_file:
        writer.write(output_file)

使用 pypdf2 解密 pdf 文件

如果 pdf 文件已加密，解密并提取文本的方法如下：

import pypdf2

# 打开加密的 pdf 文件
with open('encrypted_output.pdf', 'rb') as file:
    reader = pypdf2.pdfreader(file)
    
    # 提供密码
    reader.decrypt('user123')
    
    # 提取文本
    for page_num in range(len(reader.pages)):
        page = reader.pages[page_num]
        print(page.extract_text())

7. pdf 页面旋转

你可以旋转 pdf 的某些页面，以下是旋转页面的示例：

import pypdf2

# 打开 pdf 文件
with open('sample.pdf', 'rb') as file:
    reader = pypdf2.pdfreader(file)
    writer = pypdf2.pdfwriter()
    
    # 旋转每页 90 度
    for page in reader.pages:
        page.rotate_clockwise(90)
        writer.add_page(page)
    
    # 保存旋转后的 pdf 文件
    with open('rotated_output.pdf', 'wb') as output_file:
        writer.write(output_file)