Python-Core-50-Courses/第27课:用Python操作PDF文件.md

142 lines
5.4 KiB
Markdown
Raw Normal View History

2021-09-10 07:52:21 +08:00
## 第27课用Python操作PDF文件
PDF是Portable Document Format的缩写这类文件通常使用`.pdf`作为其扩展名。在日常开发工作中最容易遇到的就是从PDF中读取文本内容以及用已有的内容生成PDF文档这两个任务。
### 从PDF中提取文本
在Python中可以使用名为`PyPDF2`的三方库来读取PDF文件可以使用下面的命令来安装它。
```Bash
pip install PyPDF2
```
`PyPDF2`没有办法从PDF文档中提取图像、图表或其他媒体但它可以提取文本并将其返回为Python字符串。
```Python
import PyPDF2
2024-01-02 20:43:08 +08:00
reader = PyPDF2.PdfReader('test.pdf')
for page in reader.pages:
print(page.extract_text())
2021-09-10 07:52:21 +08:00
```
2021-12-07 00:30:15 +08:00
> **提示**上面代码中使用的PDF文件“test.pdf”以及下面的代码中需要用到的PDF文件也可以通过下面的百度云盘地址进行获取。链接:https://pan.baidu.com/s/1rQujl5RQn9R7PadB2Z5g_g 提取码:e7b4。
2021-09-10 07:52:21 +08:00
当然,`PyPDF2`并不是什么样的PDF文档都能提取出文字来这个问题就我所知并没有什么特别好的解决方法尤其是在提取中文的时候。网上也有很多讲解从PDF中提取文字的文章推荐大家自行阅读[《三大神器助力Python提取pdf文档信息》](https://cloud.tencent.com/developer/article/1395339)一文进行了解。
要从PDF文件中提取文本也可以直接使用三方的命令行工具具体的做法如下所示。
```Bash
pip install pdfminer.six
pdf2text.py test.pdf
```
### 旋转和叠加页面
上面的代码中通过创建`PdfFileReader`对象的方式来读取PDF文档该对象的`getPage`方法可以获得PDF文档的指定页并得到一个`PageObject`对象,通过`PageObject`对象的`rotateClockwise`和`rotateCounterClockwise`方法可以实现页面的顺时针和逆时针方向旋转,通过`PageObject`对象的`addBlankPage`方法可以添加一个新的空白页,代码如下所示。
```Python
2024-01-02 20:43:08 +08:00
reader = PyPDF2.PdfReader('XGBoost.pdf')
writer = PyPDF2.PdfWriter()
2021-09-10 07:52:21 +08:00
2024-01-02 20:43:08 +08:00
for no, page in enumerate(reader.pages):
if no % 2 == 0:
new_page = page.rotate(-90)
2021-09-10 07:52:21 +08:00
else:
2024-01-02 20:43:08 +08:00
new_page = page.rotate(90)
writer.add_page(new_page)
with open('temp.pdf', 'wb') as file_obj:
writer.write(file_obj)
2021-09-10 07:52:21 +08:00
```
### 加密PDF文件
使用`PyPDF2`中的`PdfFileWrite`对象可以为PDF文档加密如果需要给一系列的PDF文档设置统一的访问口令使用Python程序来处理就会非常的方便。
```Python
import PyPDF2
2024-01-02 20:43:08 +08:00
reader = PyPDF2.PdfReader('XGBoost.pdf')
writer = PyPDF2.PdfWriter()
for page in reader.pages:
writer.add_page(page)
2021-09-10 07:52:21 +08:00
writer.encrypt('foobared')
2024-01-02 20:43:08 +08:00
with open('temp.pdf', 'wb') as file_obj:
writer.write(file_obj)
2021-09-10 07:52:21 +08:00
```
### 批量添加水印
上面提到的`PageObject`对象还有一个名为`mergePage`的方法可以两个PDF页面进行叠加通过这个操作我们很容易实现给PDF文件添加水印的功能。例如要给上面的“XGBoost.pdf”文件添加一个水印我们可以先准备好一个提供水印页面的PDF文件然后将包含水印的`PageObject`读取出来然后再循环遍历“XGBoost.pdf”文件的每个页获取到`PageObject`对象,然后通过`mergePage`方法实现水印页和原始页的合并,代码如下所示。
```Python
2024-01-02 20:43:08 +08:00
reader1 = PyPDF2.PdfReader('XGBoost.pdf')
reader2 = PyPDF2.PdfReader('watermark.pdf')
writer = PyPDF2.PdfWriter()
watermark_page = reader2.pages[0]
for page in reader1.pages:
page.merge_page(watermark_page)
writer.add_page(page)
2021-09-10 07:52:21 +08:00
2024-01-02 20:43:08 +08:00
with open('temp.pdf', 'wb') as file_obj:
writer.write(file_obj)
2021-09-10 07:52:21 +08:00
```
如果愿意,还可以让奇数页和偶数页使用不同的水印,大家可以自己思考下应该怎么做。
### 创建PDF文件
创建PDF文档需要三方库`reportlab`的支持,安装的方法如下所示。
```Bash
pip install reportlab
```
下面通过一个例子为大家展示`reportlab`的用法。
```Python
from reportlab.lib.pagesizes import A4
from reportlab.pdfbase import pdfmetrics
from reportlab.pdfbase.ttfonts import TTFont
from reportlab.pdfgen import canvas
pdf_canvas = canvas.Canvas('resources/demo.pdf', pagesize=A4)
width, height = A4
# 绘图
image = canvas.ImageReader('resources/guido.jpg')
pdf_canvas.drawImage(image, 20, height - 395, 250, 375)
# 显示当前页
pdf_canvas.showPage()
# 注册字体文件
pdfmetrics.registerFont(TTFont('Font1', 'resources/fonts/Vera.ttf'))
pdfmetrics.registerFont(TTFont('Font2', 'resources/fonts/青呱石头体.ttf'))
# 写字
pdf_canvas.setFont('Font2', 40)
pdf_canvas.setFillColorRGB(0.9, 0.5, 0.3, 1)
pdf_canvas.drawString(width // 2 - 120, height // 2, '你好,世界!')
pdf_canvas.setFont('Font1', 40)
pdf_canvas.setFillColorRGB(0, 1, 0, 0.5)
pdf_canvas.rotate(18)
pdf_canvas.drawString(250, 250, 'hello, world!')
# 保存
pdf_canvas.save()
```
上面的代码如果不太理解也没有关系等真正需要用Python创建PDF文档的时候再好好研读一下`reportlab`的[官方文档](https://www.reportlab.com/docs/reportlab-userguide.pdf)就可以了。
2021-12-07 00:30:15 +08:00
> **提示**:上面代码中用到的图片和字体,也可以通过下面的百度云盘链接获取。链接:https://pan.baidu.com/s/1rQujl5RQn9R7PadB2Z5g_g 提取码:e7b4。
2021-09-10 07:52:21 +08:00
### 简单的总结
在学习完上面的内容之后相信大家已经知道像合并多个PDF文件这样的工作应该如何用Python代码来处理了赶紧自己动手试一试吧。