Python读取PDF文件
梦想橡皮擦 人气:0实战场景
Python 工程师在日常的工作中,经常会碰到解析和处理PDF文件的情况,实战中需求主要分为如下情况:
- 提取 PDF 中的文字
- 将 PDF 中每页转换为图片
- word 转换为PDF
- PDF生成,编辑,导入导出
- PDF在线渲染
除了最后一项需要前端配合以外,其余内容都可以直接在 python 端进行实现。
本次实战选择 pdfplumber
库进行学习,可以提前安装该库,不过有一点需要注意,该库主要用于读取 PDF 进行操作,写入和编辑无法实现,即本文学习一款专注于 PDF 内容提取的库。
> pip install pdfplumber -i http://pypi.tuna.tsinghua.edu.cn/simple
pdfplumber
库具备如下特点:
- 可以访问PDF对象中的任意元素详细信息;
- 可以提取文本和表格,而且用法简单;
- 集成了可视化调试。
Python PDF 实战编码
下面可以编写 PDF 操作的基础代码。
import pdfplumber with pdfplumber.open('./dddd.pdf') as pdf: for page in pdf.pages: print(page.extract_text()) # 每页打印一分页分隔 print('---------- 分页分隔 ----------')
导入 pdfplumber
模块之后,使用 pdfplumber.open('./dddd.pdf')
打开本地 pdf 文件,然后通过 pdf.pages
遍历所有页,在通过页对象的 .extract_text()
方法,提取文本信息。
pdfplumber.open() 方法的签名如下所示:
pdfplumber.open("文件名", password = "密码", laparams = { "line_overlap": 0.7 })
其中各参数描述如下:
file_name
:文件名,必选参数;password
:PDF的密码;laparams
:布局参数。
除此之外,如果希望读取 PDF,还可以使用 load()
方法,该方法也会返回 pdfplumber.PDF
类的实例。
pdfplumber.PDF
对象实例,主要有两个重要属性:
.metadata
:从PDF的Info中获取元数据键 /值对字典。 通常包括“ CreationDate”,“ ModDate”,“ Producer”等;.pages
:包含pdfplumber.Page
实例的列表,每一个实例代表PDF每一页的信息。
上文提及的 pdfplumber.Page
实例是 pdfplumber
的核心,后续对 PDF 的操作大量围绕该类的属性和方法实施,其重要属性如下所示:
page_number
:页码顺序,第一页的序号是 1;witdh
:宽度;height
:高度;.objects/.chars/.lines/.rects/.curves/.figures/.images
:获取PDF页中的重要数据。
核心方法如下所示:
extract_text()
:提取页中的文本;extract_words()
:提取所有单词及其相关信息;extract_tables()
: 提取页面的表格。
extract_text()
呈现结果
extract_words()
呈现结果
extract_tables()
呈现效果,由于 PDF 中无表格,所有每页得到的都是空!
补充
当然Python除了读取PDF文件,还有一些其他功能,例如加密PDF,旋转和叠加页面等,下面是实现的示例代码
旋转和叠加页面
import PyPDF2 from PyPDF2.pdf import PageObject # 创建一个读PDF文件的Reader对象 reader = PyPDF2.PdfFileReader('resources/XGBoost.pdf') # 创建一个写PDF文件的Writer对象 writer = PyPDF2.PdfFileWriter() # 对PDF文件所有页进行循环遍历 for page_num in range(reader.numPages): # 获取指定页码的Page对象 current_page = reader.getPage(page_num) # type: PageObject if page_num % 2 == 0: # 奇数页顺时针旋转90度 current_page.rotateClockwise(90) else: # 偶数页反时针旋转90度 current_page.rotateCounterClockwise(90) writer.addPage(current_page) # 最后添加一个空白页并旋转90度 page = writer.addBlankPage() # type: PageObject page.rotateClockwise(90) # 通过Writer对象的write方法将PDF写入文件 with open('resources/XGBoost-modified.pdf', 'wb') as file: writer.write(file)
加密PDF文件
import PyPDF2 reader = PyPDF2.PdfFileReader('resources/XGBoost.pdf') writer = PyPDF2.PdfFileWriter() for page_num in range(reader.numPages): writer.addPage(reader.getPage(page_num)) # 通过encrypt方法加密PDF文件,方法的参数就是rre #设置的密码 writer.encrypt('foobared') with open('resources/XGBoost-encrypted.pdf', 'wb') as file: writer.write(file)
批量添加水印
import PyPDF2 from PyPDF2.pdf import PageObject reader1 = PyPDF2.PdfFileReader('resources/XGBoost.pdf') reader2 = PyPDF2.PdfFileReader('resources/watermark.pdf') writer = PyPDF2.PdfFileWriter() # 获取水印页 watermark_page = reader2.getPage(0) for page_num in range(reader1.numPages): current_page = reader1.getPage(page_num) # type: PageObject current_page.mergePage(watermark_page) # 将原始页和水印页进行合并 writer.addPage(current_page) # 将PDF写入文件 with open('resources/XGBoost-watermarked.pdf', 'wb') as file: writer.write(file)
加载全部内容