Python 办公技巧：PDF 自动化处理

本文将介绍如何使用 Python 实现 PDF 文件的自动化处理，涵盖了解析、合并、拆分、表单处理、文档转换、添加水印与签章、报表生成以及 OCR 文字识别等七项技能。通过这些技巧，用户可以大幅提升办公效率，轻松应对各种 PDF 文件操作需求。

1. PDF 解析和文本提取

工具库：PyPDF2、pdfminer、textract
功能：从 PDF 文件中提取文本信息。

代码示例 ：

python 复制代码

import PyPDF2
with open('example.pdf', 'rb') as file:
    reader = PyPDF2.PdfReader(file)
    for page_num in range(len(reader.pages)):
        text = reader.pages[page_num].extract_text()
        print(text)

2. PDF 合并和拆分

工具库：PyPDF2、pdfrw
功能：将多个 PDF 文件合并为一个文件，或将一个 PDF 文件拆分为多个文件。

代码示例 ：

python 复制代码

from PyPDF2 import PdfMerger, PdfReader, PdfWriter
merger = PdfMerger()
merger.append('example.pdf')
merger.append('file2.pdf')
merger.write('merged.pdf')
merger.close()

3. PDF 表单处理

工具库：PyPDF2、pdfrw、FPDF
功能：自动填充表单字段、读取已填写数据或生成新表单。

代码示例 ：

python 复制代码

from PyPDF2 import PdfReader, PdfWriter
from reportlab.pdfgen import canvas
def fill_form(input_file, output_file, data):
    c = canvas.Canvas(output_file)
    reader = PdfReader(input_file)
    for page_num, page in enumerate(reader.pages, start=1):
        c.setFont("Helvetica", 12)
        page_width = float(page.mediabox.width)
        page_height = float(page.mediabox.height)
        c.setPageSize((page_width, page_height))
        c.showPage()
        if '/Annots' in page:
            for annot in page['/Annots']:
                if '/T' in annot and '/V' in annot and annot['/Type'] == '/Annot':
                    field_name = annot['/T'][1:-1]
                    if field_name in data:
                        field_value = data[field_name]
                        c.drawString(annot['/Rect'][0], annot['/Rect'][1], field_value)
    c.save()

4. PDF 文档转换

工具库：pdf2image、pdfminer、PyPDF2、python-docx
功能：将 PDF 转换为图像、HTML、纯文本或 Word 文档。

代码示例 ：

PDF 转图像 ：

python 复制代码

from pdf2image import convert_from_path
def pdf_to_image(input_file, output_file):
    images = convert_from_path(input_file)
    for i, image in enumerate(images):
        image.save(f'{output_file}_{i}.jpg', 'JPEG')

PDF 转 HTML ：

python 复制代码

from PyPDF2 import PdfReader
def pdf_to_html(input_file, output_file):
    with open(input_file, 'rb') as file:
        reader = PdfReader(file)
        text = ""
        for page in reader.pages:
            text += page.extract_text()
        with open(output_file, 'w') as html_file:
            html_file.write(f"<html><body>{text}</body></html>")

5. PDF 水印和签章

工具库：PyPDF2、reportlab
功能：为 PDF 文件添加水印或数字签章。

代码示例 ：

python 复制代码

from PyPDF2 import PdfReader, PdfWriter
from reportlab.pdfgen import canvas
import io
def add_watermark(input_file, output_file, watermark_text):
    reader = PdfReader(input_file)
    writer = PdfWriter()
    watermark_buffer = io.BytesIO()
    c = canvas.Canvas(watermark_buffer)
    c.setFont("Helvetica", 48)
    c.rotate(45)
    c.translate(-500, -500)
    c.setFillAlpha(0.3)
    c.drawString(400, 400, watermark_text)
    c.save()
    watermark_buffer.seek(0)
    watermark_pdf = PdfReader(watermark_buffer)
    for i, page in enumerate(reader.pages, start=1):
        watermark_page = watermark_pdf.pages[0]
        page.merge_page(watermark_page)
        writer.add_page(page)
    with open(output_file, 'wb') as file:
        writer.write(file)

6. PDF 报表生成

工具库：matplotlib、reportlab
功能：生成包含图表、表格和文本的 PDF 报表。

代码示例 ：

python 复制代码

import matplotlib.pyplot as plt
from reportlab.lib.pagesizes import A4
from reportlab.platypus import SimpleDocTemplate, Table, Image
from reportlab.lib.styles import getSampleStyleSheet
from reportlab.platypus import Paragraph, Spacer
def create_report(output_file, data):
    doc = SimpleDocTemplate(output_file, pagesize=A4)
    styles = getSampleStyleSheet()
    elements = []
    title = Paragraph("销售报表", styles["Title"])
    elements.append(title)
    elements.append(Spacer(1, 20))
    table_data = data
    table = Table(table_data)
    elements.append(table)
    elements.append(Spacer(1, 20))
    plt.plot(data[1][1:], marker='o')
    plt.xlabel("日期")
    plt.ylabel("销售额")
    plt.title("销售趋势图")
    plt.savefig("sales_plot.png")
    plt.close()
    image = Image("sales_plot.png", width=400, height=300)
    elements.append(image)
    doc.build(elements)

7. OCR（光学字符识别）

工具库：pdf2image、pytesseract
功能：将扫描的 PDF 文档转换为可搜索和可编辑的文本。

代码示例 ：

python 复制代码

import pdf2image
import pytesseract
def pdf_to_image(input_file):
    images = pdf2image.convert_from_path(input_file)
    return images
def image_to_text(image):
    text = pytesseract.image_to_string(image)
    return text
def save_text_to_file(text, output_file):
    with open(output_file, 'w', encoding='utf-8') as file:
        file.write(text)
def extract_text_from_pdf(input_file, output_file):
    images = pdf_to_image(input_file)
    extracted_text = ""
    for image in images:
        text = image_to_text(image)
        extracted_text += text + "\n"
    save_text_to_file(extracted_text, output_file)

总结

通过掌握 Python PDF 自动化处理的七项技能，用户可以大幅提升办公效率，轻松应对各种 PDF 文件操作需求。无论是解析文本、合并拆分文件、处理表单、转换格式、添加水印与签章、生成报表，还是进行 OCR 文字识别，Python 都能提供强大的支持。