Python读取PDF文件

时间:2022-09-28 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