Python 自动化办公 —— PyPDF2 库的基本使用

zeroing
1,148 阅读7分钟

大家好，我是小张~，今天文章与自动化办公相关，目前个人认为 Python 库中处理 PDF 比较不错的有三个，分别是 PyPDF2，Pdfplumer 和 PDFminer；

image-20210313210858337

今天教程内容主要聚焦于 PyPDF2 ，借助它对 PDF 实现以下基本操作

  • 1，将单个 PDF 拆分为多个 PDF 文件 ；
  • 2，将多个 PDF 合并为一个 PDF 文件 ；
  • 3，将 PDF 中某页进行旋转 ；
  • 4，对 PDF 添加水印 ;
  • 5，对 PDF 加密 ；
  • 6，对 PDF 进行解密；
  • 6，获取 PDF 基本信息，例如作者、标题、页数等；

PyPDF2 历史

正文开始之前，说一下 PyPDF2 的发展历史 ，PyPDF 的前身是 pyPDf 包在2005年发布，该包的最后一个版本发布于2010年，后来大约经过一年左右， 名为 Phasit 的公司赞助 PyPdf 的一个分支后来命名为 PyPDF2，两个版本功能都基本一样，最大区别就是 PyPDF2 中 加入了支持 Python3 特性；

PyPDF2 近期也没有再更新了，最近一个版本发布在2016年，但使用热度依然没有消退；虽然后面又出现了 PyPDF3、PyPDF4 等不同版本，但这些包并没有对 PyPDF2 功能向后完全兼容，用户受欢迎程度当然也不如 PyPDF2

PyPDF2 安装

与其它Python 库一样，安装可通过 pip 或 conda 工具

pip install pypdf2

PDF 信息提取

使用 PyPDF2 可以从 PDF 中提取到一些元数据和文本信息，对 PDF 有个大致了解

用 PyPDF2 能够提取的数据如下

  • 作者；
  • 创建者；
  • 制作者；
  • Subject；
  • 标题；
  • 页数；

这里我下载了官网提供的 PDF 样本《Seige_of_Vicksburg_Sample_OCR》一共六页，作为测试数据

image-20210313230206113

from  PyPDF2 import PdfFileReader


# # pdf 文档
pdf_path = "D:/Data/自动化办公/PDF/Seige_of_Vicksburg_Sample_OCR.pdf"

with open(pdf_path,'rb') as f:
    pdf = PdfFileReader(f)
    infomation = pdf.getDocumentInfo()
    number_of_pages = pdf.getNumPages()

    txt = f'''{pdf_path} information:
    Author : {infomation.author},
    Creator : {infomation.creator},
    Producer : {infomation.producer},
    Subject : {infomation.subject},
    Title : {infomation.title},
    Number of pages : {number_of_pages}
    '''
    print(txt)

下面为打印结果

D:/Data/自动化办公/PDF/Seige_of_Vicksburg_Sample_OCR.pdf information:
    Author : DSI,
    Creator : LuraDocument PDF Compressor Server 5.5.46.38,
    Producer : LuraDocument PDF v2.38,
    Subject : None,
    Title : Binder1.pdf,
    Number of pages : 6

在上面例子中用到了 PdfFileReader 类，用于与 pdf 文件交互；调用该类中的 getDocumentInfo() 方法返回一个 DocumentInformation 的实例，该实例中存储着我们需要的信息；对 reader 对象调用 getNumPages 方法也可以返回文档页数；

个人看法，这里面的数据也就 页数 有点价值，当批量统计时该方法很适用

PDF 页面旋转

PyPDF2 中 pdf 每一页都是以 page 对象存在，返回某一页的实例可通过 reader 对象中的 get_Page(page_index) 方法，其中 page_index 表示索引

对某一页旋转，有两种方式

  • rotateClockwise(90)，顺时针旋转90度；
  • rotateCounterClockwise(90)，逆时针旋转 90 度；

下面代码表示将目标 PDF 中第一页顺时针方向旋转 90 度，第二页以逆时针方向旋转 90 度，其它页位置角度不变；

from  PyPDF2 import PdfFileReader,PdfFileWriter

pdf_writer = PdfFileWriter()
pdf_reader = PdfFileReader(pdf_path)
# Rotate page 90 degrees to the right
page_1 = pdf_reader.getPage(0).rotateClockwise(90)
pdf_writer.addPage(page_1)
# Rotate page 90 degrees to the left
page_2 = pdf_reader.getPage(1).rotateCounterClockwise(90)
pdf_writer.addPage(page_2)
# 之后的正常写出
for i in range(2,pdf_reader.getNumPages()):
    pdf_writer.addPage(pdf_reader.getPage(i))

with open(pdf_path, 'wb') as fh:
     pdf_writer.write(fh)

结果如下

image-20210313232532349

代码中同时用到了PdfFileReader,PdfFileWriter 这两个类，页面旋转并不是在原有 PDF 基础上进行操作而是在内存处创建了一个新的PDF流对象，将操作后的每一页通过 addPage() 方法加入到这个对象中，之后将内存中的这个对象写入到文件中；

写到这里，说实话其实 页面旋转 这个功能没基本没什么作用，加在这里只是想充当一些字数，哈哈哈

单个 PDF 拆分成多个PDF

from  PyPDF2 import PdfFileReader,PdfFileWriter

# # pdf 文档
pdf_path = "D:/Data/自动化办公/PDF/Seige_of_Vicksburg_Sample_OCR.pdf"
save_path = 'D:/Data/自动化办公/PDF/'

# Split Pages of PDF

pdf_reader = PdfFileReader(pdf_path)
for i in range(0,pdf_reader.getNumPages()):
    pdf_writer = PdfFileWriter()
    pdf_writer.addPage(pdf_reader.getPage(i))
    # Every page write to a path
    with open(save_path+'{}.pdf'.format(str(i)), 'wb') as fh:
         pdf_writer.write(fh)
    print('{} Save Sucessfully !\n'.format(str(i)))

代码将 PDF 原文件中的每一页拆分到每一个PDF文件，其中文件名用页索引来命名；

image-20210313235957539

通过拆分也可以提取到 pdf 文件中固定页码范围，例如我只想提取 pdf 中的 2-5 页，其它部分不要，那么代码将写成下面形式

pdf_writer = PdfFileWriter()
pdf_reader = PdfFileReader(pdf_path)
for i in range(1,5):
    # pdf_writer = PdfFileWriter()
    pdf_writer.addPage(pdf_reader.getPage(i))
    # Every page write to a path
with open(save_path+'2_5.pdf', 'wb') as fh:
        pdf_writer.write(fh)

多个 PDF 文件合并为单个

pdf 拆分与合并方向虽然相反，但用到的类、原理都是一样的

PdfFileReader读取每个pdf，并递归获取每一页page 对象， PdfFileWrite 新建一个流对象，把前面内存中读取到的 page 对象按顺序写入到这个流对象中，最后写入到磁盘文件

from  PyPDF2 import PdfFileReader,PdfFileWriter

p1_pdf = "D:/Data/自动化办公/PDF/Seige_of_Vicksburg_Sample_OCR.pdf"
p2_pdf = "D:/Data/自动化办公/PDF/Seige_of_Vicksburg_Sample_OCR.pdf"


merge_pdf = 'D:/Data/自动化办公/PDF/merge.pdf'

p1_reader = PdfFileReader(p1_pdf)
p2_reader = PdfFileReader(p2_pdf)

merge = PdfFileWriter()
# Write p1
for i in range(0,p1_reader.getNumPages()):
    merge.addPage(p1_reader.getPage(i))
# Write p2
for j in range(0,p2_reader.getNumPages()):
    merge.addPage(p2_reader.getPage(j))

# Write out
with open(merge_pdf,'wb') as f:
    merge.write(f)

运行结果如下

image-20210314002536754

PDF 添加水印

在今天列举的这么多功能中，我想这个功能是最有用，批量添加水印主要用到 page 对象中的 margePage() 方法，通过将两个页面合并来达到添加水印的效果

因为 PyPDF2 只能操作 pdf 对象，因此在添加水印之前，需要将准备添加的水印存放到一个 pdf 文件中

from  PyPDF2 import PdfFileReader,PdfFileWriter
watermark = 'D:/Data/自动化办公/PDF/watermark.pdf'
input_pdf = 'D:/Data/自动化办公/PDF/merge.pdf'
output = 'D:/Data/自动化办公/PDF/merge_watermark.pdf'


watermark_obj = PdfFileReader(watermark)
watermark_page = watermark_obj.getPage(0)

pdf_reader = PdfFileReader(input_pdf)
pdf_writer = PdfFileWriter()

# Watermark all the pages
for page in range(pdf_reader.getNumPages()):
    page = pdf_reader.getPage(page)
    page.mergePage(watermark_page)
    pdf_writer.addPage(page)

with open(output, 'wb') as out:
    pdf_writer.write(out)

效果如下，从左到右，依次为原图、水印、添加水印后的原图　　 　从左到右，依次是原图、水印、加完水印的效果图

上面效果不好是因为制作水印时没有考虑到页面布局问题，所以合并时出现一部分缺失；

用以上代码添加水印的好处是，可以对 pdf 指定页田间水印，比如说只对奇数页添加偶数页不管，不但灵活性强而且高效，当然也可以对多个文件进行批量操作

PDF加密解密

pdf加密

对一份 pdf 文件，如果我们不想让其他人能够读取里面的内容，可以通过 pypdf2 对它设置密码，如果只是单个文件的话，建议最好自己找个工具受手动操作一下会高效一点，但若是多个文件，非常建议用下面方法

watermark = 'D:/Data/自动化办公/PDF/Seige_of_Vicksburg_Sample_OCR.pdf'
input_pdf = 'D:/Data/自动化办公/PDF/merge.pdf'
output = 'D:/Data/自动化办公/PDF/merge_watermark1.pdf'


watermark_obj = PdfFileReader(watermark)
watermark_page = watermark_obj.getPage(0)

pdf_reader = PdfFileReader(input_pdf)
pdf_writer = PdfFileWriter()

# Watermark all the pages
for page in range(pdf_reader.getNumPages()):
    page = pdf_reader.getPage(page)
    page.mergePage(watermark_page)
    pdf_writer.addPage(page)
pdf_writer.encrypt(user_pwd='123456',
                       use_128bit=True)
with open(output, 'wb') as out:
    pdf_writer.write(out)

image-20210314092935806

主要用到 encrypt　函数，需要注意三个参数

  • user_pwd，str，用户密码，用来限制打开读取文件；

  • owner_pwd，str，比用户密码更高一级，提供时可让打开文件不受任何限制，不指定时默认owner_pwd 与 user_pwd 相同；

  • use_128bit　布尔值，用来表示是否使用128位作为密码，False 时代表用 40 位密码，默认为True；

pdf解密

解密是在读取文件时用的，用到 decrypt() 函数

rom PyPDF2 import PdfFileWriter, PdfFileReader

input_pdf='reportlab-encrypted.pdf'
output_pdf='reportlab.pdf'
password='twofish'

pdf_writer = PdfFileWriter()
pdf_reader = PdfFileReader(input_pdf)
pdf_reader = pdf_reader.decrypt(password)

for page in range(pdf_reader.getNumPages()):
     pdf_writer.addPage(pdf_reader.getPage(page))

with open(output_pdf, 'wb') as fh:
      pdf_writer.write(fh)

上面例子中解密原理是 通过将一个加密文件进行读取，并写入到一个非加密 pdf 中

小结

本文介绍了 PyPDF2 库的基本用法，借助它加上代码实例实现了一些基本操作；但在这里提醒一下，所有上面这些操作只适用于批量操作场景，如果对象是单个文件的话建议用常规做法，过于炫技的话只会浪费时间

关于 pdf 内的图文内容提取、写入本文并没有涉猎，源于 pypdf2 对于这方面并不擅长，而 Pdfplumber 和 PDFminer 在文本提取方面要好得多，工欲善其事，必先利其器；在之后的教程中我将会介绍一下这方面的内容，期待大家的关注！

好了以上就是本篇内容的全部内容，最后感谢大家的阅读，我们下期见~

avatar
文章
阅读
粉丝
相关推荐
Python操作PDF的最佳库-pdfplumber&PyPDF2｜8月更文挑战
2.8k阅读
 · 
4点赞
vue 使用 vue-pdf 实现pdf在线预览
58k阅读
 · 
273点赞
Python日志库logging总结-可能是目前为止将logging库总结的最好的一篇文章
326k阅读
 · 
211点赞
如何用 CSS 中写出超级美丽的阴影效果
1.2m阅读
 · 
1.2k点赞
ChatGPT保姆级教程，一分钟学会使用ChatGPT！
792k阅读
 · 
546点赞