python使用PyPDF2 和 pdfplumber操作PDF文件

文章目录

一、第三方库介绍

Python 操作 PDF 会用到两个库,分别是:PyPDF2 和 pdfplumber。

PyPDF2 可以更好的读取、写入、分割、合并PDF文件;

pdfplumber 可以更好的读取 PDF 文件中内容和提取 PDF 中的表格,主要应用于机器生成的PDF,而非扫描的PDF文档。

对应的官网分别是:

PyPDF2:https://pythonhosted.org/PyPDF2/

pdfplumber:https://github.com/jsvine/pdfplumber

由于这两个库都不是 Python 的标准库,所以在使用之前都需要单独安装,在终端中依次输入如下命令进行安装:
pip install PyPDF2
pip install pdfplumber

二、基本使用

1、拆分pdf

拆分的大概思路如下:

读取 PDF 的整体信息、总页数等

按照页数每页拆分为一个PDF

将小的文件块重新保存为新的 PDF 文件

py 复制代码
import os.path
from PyPDF2 import PdfFileReader, PdfFileWriter

pdf_path = r"D:\自动化\pdf.pdf"
out_dir = r"D:\自动化\pdf\拆分"

if not os.path.exists(out_dir):
	os.makedirs(out_dir)
	
# 获取 PdfFileReader 对象
pdf_reader = PdfFileReader(pdf_path)

# 获取 pdf 文件页数
pageCount = pdf_reader.getNumPages()
for page in range(pageCount):
	pdf_writer = PdfFileWriter()
	pdf_writer.addPage(pdf_reader.getPage(page))
	out_path = out_dir + "\\%s.pdf" % page
	with open(out_path, "wb") as out:
		pdf_writer.write(out)
py 复制代码
import os
from PyPDF2 import PdfFileWriter, PdfFileReader

"""
	拆分PDF为多个小的PDF文件,
	@param filename:拆分后的文件名
	@param filepath:文件路径
	@param save_dir:保存小的PDF的文件路径
	@param step: 每step间隔的页面生成一个文件,例如step=3,表示0-2页、2-5页...为一个文件
	@return:
"""
def 拆分PDF(file_name, file_path, save_dir, step=3):
	if not os.path.exists(save_dir):
		os.mkdir(save_dir)

	if step < 1:
		print("输入的拆分间隔不能小于1")
		return

	pdf_reader = PdfFileReader(file_path)
	# 获取文件总页数
	pageCount = pdf_reader.getNumPages()
	# 读取每一页的数据
	for page in range(0, pageCount, step):
		pdf_writer = PdfFileWriter()
		# 拆分pdf,每 step 页的拆分成一个文件
		for index in range(page, page + step):
			if index < pageCount:
				pdf_writer.addPage(pdf_reader.getPage(index))
		# 保存拆分后的小文件
		childName = '%s%s.pdf' % (file_name, int(page / step) + 1)
		save_path = os.path.join(save_dir, childName)
		print(save_path)
		with open(save_path, "wb") as out:
			pdf_writer.write(out)
	print("文件已成功拆分,保存路径为:" + save_dir)

if __name__ == '__main__':
	拆分PDF('拆分PDF', 'D:\自动化\pdf\二期第1讲.pdf', 'D:\自动化\pdf\拆分2', 4)

2、合并pdf

比起拆分来,合并的思路更加简单:

确定要合并的 文件顺序

循环追加到一个文件块中

保存成一个新的文件

py 复制代码
from PyPDF2 import PdfFileReader, PdfFileWriter
import os

pdf_dir = r"D:\自动化\pdf\拆分"
out_path = r"D:\自动化\pdf\merge.pdf"

pdfList = os.listdir(pdf_dir)
pdf_writer = PdfFileWriter()
for i in range(len(pdfList)):
	path = pdf_dir + "\\%s.pdf" % i
	pdf_reader = PdfFileReader(path)
	for page in range(pdf_reader.getNumPages()):
		pdf_writer.addPage(pdf_reader.getPage(page))

with open(out_path, "wb") as out:
	pdf_writer.write(out)

3、提取文字内容

py 复制代码
import pdfplumber

pdf_path = r"D:\自动化\pdf\道德经.pdf"
with pdfplumber.open(pdf_path) as pdf:
	# 读取所有内容
	for page in pdf.pages:
		print(page.extract_text())

# 读取第一页的文字内容
# page = pdf.pages[0]
# print(page.extract_text())

4、提取表格内容

extract_table():获取page页的第一个表格数据,表格数据为一个二维列表

extract_tables():获取page页的所有表格数据,表格数据为一个三维列表

py 复制代码
import pdfplumber
pdf_path = r"D:\自动化\pdf\道德经.pdf"
with pdfplumber.open(pdf_path) as pdf:
	# 获取第2页数据
	page = pdf.pages[1]
	# 获取第2页的第一个表格的内容
	table = page.extract_table()
	print(type(table), table)
	
	# 获取第2页所有表格的内容
	tables = page.extract_tables()
	print(type(tables), tables)

5、PDF加密

PDF 文件加密需要使用 encrypt 函数,对应的加密代码也比较简单:

py 复制代码
from PyPDF2 import PdfFileReader, PdfFileWriter

pdf_path = r"D:\自动化\pdf\道德经.pdf"
sava_path = r"D:\自动化\pdf\加密后.pdf"

pdf_reader = PdfFileReader(pdf_path)
pdf_writer = PdfFileWriter()
for page in range(pdf_reader.getNumPages()):
	pdf_writer.addPage(pdf_reader.getPage(page))

# 添加密码
pdf_writer.encrypt("mima")

with open(sava_path, "wb") as out:
	pdf_writer.write(out)

6、PDF解密

PDF 文件加密需要使用 encrypt 函数,解密则是使用decrypt 函数,代码如下:

py 复制代码
from PyPDF2 import PdfFileReader, PdfFileWriter

pdf_path = r"D:\自动化\pdf\加密后.pdf"
sava_path = r"D:\自动化\pdf\解密后.pdf"

pdf_reader = PdfFileReader(pdf_path)

# 利用密码解密
pdf_reader.decrypt('mima')
pdf_writer = PdfFileWriter()
for page in range(pdf_reader.getNumPages()):
	pdf_writer.addPage(pdf_reader.getPage(page))
with open(sava_path, "wb") as out:
	pdf_writer.write(out)
相关推荐
用户277844910499310 小时前
借助DeepSeek智能生成测试用例:从提示词到Excel表格的全流程实践
人工智能·python
JavaEdge在掘金13 小时前
ssl.SSLCertVerificationError报错解决方案
python
我不会编程55513 小时前
Python Cookbook-5.1 对字典排序
开发语言·数据结构·python
老歌老听老掉牙14 小时前
平面旋转与交线投影夹角计算
python·线性代数·平面·sympy
ElasticPDF-新国产PDF编辑器14 小时前
Vue use pdf.js and Elasticpdf tutorial
vue.js·pdf
满怀101514 小时前
Python入门(7):模块
python
无名之逆14 小时前
Rust 开发提效神器:lombok-macros 宏库
服务器·开发语言·前端·数据库·后端·python·rust
你觉得20514 小时前
哈尔滨工业大学DeepSeek公开课:探索大模型原理、技术与应用从GPT到DeepSeek|附视频与讲义下载方法
大数据·人工智能·python·gpt·学习·机器学习·aigc
啊喜拔牙14 小时前
1. hadoop 集群的常用命令
java·大数据·开发语言·python·scala
__lost15 小时前
Pysides6 Python3.10 Qt 画一个时钟
python·qt