Python-Core-50-Courses

6.1 KiB

Raw Blame History

第029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。

pip install PyPDF2 -i https://pypi.doubanio.com/simple

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。

import PyPDF2

reader = PyPDF2.PdfFileReader('test.pdf')
page = reader.getPage(0)
print(page.extractText())

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。之前给成都一汽大众做企业内训的时候，就有学员提出了一个从报关信息的PDF文档中提取中文文本内容的需求，但是我尝试了多种方法都失败了。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》一文进行了解。

要从PDF文件中提取文本也可以使用一个三方的命令行工具，具体的做法如下所示。

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Page对象，利用Page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，代码如下所示。

import PyPDF2

reader = PyPDF2.PdfFileReader('test.pdf')
page = reader.getPage(0)
page.rotateClockwise(90)
writer = PyPDF2.PdfFileWriter()
writer.addPage(page)
with open('test-rotated.pdf', 'wb') as file:
    writer.write(file)

Page对象还有一个名为mergePage的方法，可以将一个页面和另一个页面进行叠加，对于叠加后的页面，我们还是使用PdfFileWriter对象的addPage将其添加到一个新的PDF文档中，有兴趣的读者可以自行尝试。

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。

import PyPDF2

with open('test.pdf', 'rb') as file:
   	# 通过PdfReader读取未加密的PDF文档
    reader = PyPDF2.PdfFileReader(file)
    writer = PyPDF2.PdfFileWriter()
    for page_num in range(reader.numPages):
        # 通过PdfReader的getPage方法获取指定页码的页
        # 通过PdfWriter方法的addPage将添加读取到的页
        writer.addPage(reader.getPage(page_num))
    # 通过PdfWriter的encrypt方法加密PDF文档
    writer.encrypt('foobared')
    # 将加密后的PDF文档写入指定的文件中
    with open('test-encrypted.pdf', 'wb') as file2:
        writer.write(file2)

提示：按照上面的方法也可以读取多个PDF文件的多个页面并将其合并到一个PDF文件中。

创建PDF文件

创建PDF文档需要三方库reportlab的支持，该库的使用方法可以参考它的官方文档，安装的方法如下所示。

pip install reportlab

下面通过一个例子为大家展示reportlab的用法。

import random

from reportlab.lib import colors
from reportlab.lib.pagesizes import A4
from reportlab.pdfgen import canvas
from reportlab.platypus import Table, TableStyle

# 创建Canvas对象（PDF文档对象）
doc = canvas.Canvas('demo.pdf', pagesize=A4)
# 获取A4纸的尺寸
width, height = A4
# 读取图像
image = canvas.ImageReader('guido.jpg')
# 通过PDF文档对象的drawImage绘制图像内容
doc.drawImage(image, (width - 250) // 2, height - 475, 250, 375)
# 设置字体和颜色
doc.setFont('Helvetica', 32)
doc.setFillColorRGB(0.8, 0.4, 0.2)
# 通过PDF文档对象的drawString输出字符串内容
doc.drawString(10, height - 50, "Life is short, I use Python!")
# 保存当前页创建新页面
doc.showPage()
# 准备表格需要的数据
scores = [[random.randint(60, 100) for _ in range(3)] for _ in range(5)]
names = ('Alice', 'Bob', 'Jack', 'Lily', 'Tom')
for row, name in enumerate(names):
    scores[row].insert(0, name)
scores.insert(0, ['Name', 'Verbal', 'Math', 'Logic'])
# 创建一个Table对象（第一个参数是数据，第二个和第三个参数是列宽和行高）
table = Table(scores, 50, 20)
# 设置表格样式（对齐方式和内外边框粗细颜色）
table.setStyle(TableStyle([
    ('ALIGN', (0, 0), (-1, -1), 'CENTER'),
    ('INNERGRID', (0, 0), (-1, -1), 0.25, colors.red),
    ('BOX', (0, 0), (-1, -1), 0.25, colors.black)
]))
table.split(0, 0)
# 通过Table对象的drawOn在PDF文档上绘制表格
table.drawOn(doc, (width - 200) // 2, height - 150)
# 保存当前页创建新页面
doc.showPage()
# 保存PDF文档
doc.save()

说明：上面的代码使用了很多字面常量来指定位置和尺寸，在商业项目开发中应该避免这样的硬代码（hard code），因为这样的代码不仅可读性差，维护起来也是一场噩梦。如果项目中需要动态生成PDF文档且PDF文档的格式是相对固定的，可以将上面的字面常量处理成符号常量。记住：符号常量优于字面常量。Python语言没有内置定义常量的语法，但是可以约定变量名使用全大写字母的变量就是常量。

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。

温馨提示：学习中如果遇到困难，可以加QQ交流群询问。

付费群：789050736，群一直保留，供大家学习交流讨论问题。

免费群：151669801，仅供入门新手提问，定期清理群成员。

6.1 KiB Raw Blame History Unescape Escape