在Python中操作PDF文件
在Python中操作PDF文件
你们一定都熟悉PDF是什么。实际上,它们是最重要且使用最广泛的数字媒体之一。 PDF代表可移植文档格式。 它使用.pdf扩展名。 它用于可靠地显示和交换文档,而与软件,硬件或操作系统无关。
PDF由Adobe发明,现在是国际标准化组织(ISO)维护的开放标准。 PDF可以包含链接和按钮,表单字段,音频,视频和业务逻辑。
在本文中,我们将学习如何执行各种操作,例如:
- 从PDF提取文本
- 旋转PDF页面
- 分割PDF
使用简单的Python脚本!
安装
我们将使用第三方模块PyPDF2。
PyPDF2是一个构建为PDF工具包的python库。 它具有以下能力:
- 提取文档信息(标题,作者等)
- 逐页拆分文档
- 逐页合并文档
- 裁剪页面
- 将多个页面合并为一个页面
- 加密和解密PDF文件
- 以及更多!
要安装PyPDF2,请从命令行运行以下命令:
pip install PyPDF2
此模块名称区分大小写,因此请确保y为小写,其他所有内容均为大写。 本教程/文章中使用的所有代码和PDF文件都在这里。
1.从PDF文件中提取文本
# 导入所需的模块
import PyPDF2
# 创建一个pdf文件对象
pdfFileObj = open('linuxidc.pdf', 'rb')
# 创建一个PDF阅读器对象
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
# 在pdf文件中打印页数
print(pdfReader.numPages)
# 创建页面对象
pageObj = pdfReader.getPage(0)
# 从页面提取文本
print(pageObj.extractText())
# 关闭pdf文件对象
pdfFileObj.close()
让我们尝试以块的形式理解上面的代码:
pdfFileObj = open('linuxidc.pdf', 'rb')
我们以二进制模式打开linuxidc.pdf。并将文件对象另存为pdfFileObj。
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
在这里,我们创建PyPDF2模块的PdfFileReader类的对象,并传递pdf文件对象并获得pdf阅读器对象。
print(pdfReader.numPages)
numPages属性提供pdf文件中的页数。例如,在我们的例子中,它是455(请参见输出的第一行)。
pageObj = pdfReader.getPage(0)
现在,我们创建一个PyPDF2模块的PageObject类的对象。 pdf阅读器对象具有getPage()函数,该函数将页码(起始索引为0)作为参数并返回该页对象。
print(pageObj.extractText())
Page object具有函数extractText(),用于从pdf页面中提取文本。
pdfFileObj.close()
最后,我们关闭pdf文件对象。
注意:虽然PDF文件非常适合以易于人们打印和阅读的方式来布置文本,但要用软件将其解析为纯文本并不是一件容易的事。因此,从PDF提取文本时,PyPDF2可能会出错,甚至根本无法打开某些PDF。不幸的是,您对此无能为力。 PyPDF2可能无法使用某些特定的PDF文件。
2、旋转PDF页面
# 导入所需的模块
import PyPDF2
def PDFrotate(origFileName, newFileName, rotation):
# 创建原始pdf的pdf文件对象
pdfFileObj = open(origFileName, 'rb')
# 创建一个pdf阅读器对象
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
# 为新pdf创建pdf写入器对象
pdfWriter = PyPDF2.PdfFileWriter()
# 旋转每一页
for page in range(pdfReader.numPages):
# 创建旋转的页面对象
pageObj = pdfReader.getPage(page)
pageObj.rotateClockwise(rotation)
# 将旋转后的页对象添加到pdf写入器
pdfWriter.addPage(pageObj)
# 新的pdf文件对象
newFile = open(newFileName, 'wb')
# 将旋转的页面写入新文件
pdfWriter.write(newFile)
# 关闭原始的pdf文件对象
pdfFileObj.close()
# 关闭新的pdf文件对象
newFile.close()
def main():
# 原始pdf文件名
origFileName = 'linuxidc.pdf'
# 新的pdf文件名
newFileName = 'linuxboy.net.pdf'
#旋转角度
rotation = 270
#调用PDFrotate函数
PDFrotate(origFileName, newFileName, rotation)
if __name__ == "__main__":
# 调用main函数
main()
在这里,您可以看到旋转后的linuxboy.net.pdf第一页的样子(右图):
与上述代码有关的一些重要点:
- 对于旋转,我们首先创建原始pdf的pdf阅读器对象。
pdfWriter = PyPDF2.PdfFileWriter()
旋转的页面将被写入新的pdf。为了写入pdf,我们使用PyPDF2模块的PdfFileWriter类的对象。
for page in range(pdfReader.numPages):
pageObj = pdfReader.getPage(page)
pageObj.rotateClockwise(rotation)
pdfWriter.addPage(pageObj)
现在,我们迭代原始pdf的每一页。我们通过pdf阅读器类的getPage()方法获取页面对象。现在,我们通过页面对象类的rotationClockwise()方法旋转页面。然后,通过传递旋转的页面对象,使用pdf writer类的addPage()方法将页面添加到pdf writer对象。
newFile = open(newFileName, 'wb')
pdfWriter.write(newFile)
pdfFileObj.close()
newFile.close()
现在,我们必须将pdf页面写入新的pdf文件。首先,我们打开新文件对象,并使用pdf writer对象的write()方法向其中写入pdf页面。最后,我们关闭原始的pdf文件对象和新的文件对象。
3、分割PDF文件
# 导入所需的模块
import PyPDF2
def PDFsplit(pdf, splits):
# 创建输入pdf文件对象
pdfFileObj = open(pdf, 'rb')
# 创建pdf阅读器对象
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
# 第一切片的起始索引
start = 0
# 最后一个切片的起始索引
end = splits[0]
for i in range(len(splits)+1):
# 为第(i + 1)个拆分创建pdf写入器对象
pdfWriter = PyPDF2.PdfFileWriter()
# 输出pdf文件名
outputpdf = pdf.split('.pdf')[0] + str(i) + '.pdf'
# 将页添加到pdf写入器对象
for page in range(start,end):
pdfWriter.addPage(pdfReader.getPage(page))
# 将分割的pdf页面写入pdf文件
with open(outputpdf, "wb") as f:
pdfWriter.write(f)
# 交换页面拆分开始位置以进行下一个拆分
start = end
try:
# 设置下一个拆分的拆分结束位置
end = splits[i+1]
except IndexError:
# 设置最后分割的分割结束位置
end = pdfReader.numPages
# 关闭输入的pdf文件对象
pdfFileObj.close()
def main():
# pdf文件分割
pdf = 'linuxidc.pdf'
# 分割页面位置
splits = [2,4]
# 调用PDFsplit函数拆分pdf
PDFsplit(pdf, splits)
if __name__ == "__main__":
# 调用main函数
main()
输出将是三个新的PDF文件,分别为拆分1(第0,1页),拆分2(第2,3页),拆分3(第4页末尾)。
上面的Python程序中没有使用新的函数或类。 使用简单的逻辑和迭代,我们根据传递的列表拆分创建了传递的pdf拆分。
linuxboy的RSS地址:https://www.linuxboy.net/rssFeed.aspx
本文永久更新链接地址:https://www.linuxboy.net/Linux/2019-12/161741.htm
评论暂时关闭