Python 深入淺出 - PyPDF2 處理 PDF 文件

實際應用中，可能會涉及處理 pdf 文件，PyPDF2 就是這樣一個庫，使用它可以輕鬆的處理 pdf 文件，它提供了讀，割，合併，文件轉換等多種操作。

文檔地址：http://pythonhosted.org/PyPDF2/

PyPDF2 安裝

PyCharm 安裝：File -> Default Settings -> Project Interpreter

PdfFileReader

構造方法：

PyPDF2.PdfFileReader(stream,strict = True,warndest = None,overwriteWarnings = True)

初始化一個 PdfFileReader 對象，此操作可能需要一些時間，因爲 PDF 流的交叉引用表被讀入內存。

參數：

• stream：*File 對象或支持與 File 對象類似的標準讀取和查找方法的對象，也可以是表示 PDF 文件路徑的字符串。*
• strict（bool）： 確定是否應該警告用戶所用的問題，也導致一些可糾正的問題是致命的，默認是 True
• warndest : 記錄警告的目標(默認是 sys.stderr)
• overwriteWarnings(bool)：確定是否 warnings.py 用自定義實現覆蓋 Python 模塊（默認爲 True）

PdfFileReader 對象的屬性和方法

屬性和方法	描述
getDestinationPageNumber(destination)	檢索給定目標對象的頁碼
getDocumentInfo()	檢索 PDF 文件的文檔信息字典
getFields(tree = None,retval = None,fileObj= None)	如果此 PDF 包含交互式表單字段，則提取字段數據，
getFormTextFields()	從文檔中檢索帶有文本數據（輸入，下拉列表）的表單域
getNameDestinations(tree = None,retval= None)	檢索文檔中的指定目標
getNumPages()	計算此 PDF 文件中的頁數
getOutlines(node = None,outline = None,)	檢索文檔中出現的文檔大綱
getPage(pageNumber)	從這個 PDF 文件中檢索指定編號的頁面
getPageLayout()	獲取頁面佈局
getPageMode()	獲取頁面模式
getPageNumber(pageObject)	檢索給定 pageObject 處於的頁碼
getXmpMetadata()	從 PDF 文檔根目錄中檢索 XMP 數據
isEncrypted	顯示 PDF 文件是否加密的只讀布爾屬性
namedDestinations	訪問該getNamedDestinations()函數的只讀屬性

PDF 讀取操作：

# encoding:utf-8
from PyPDF2 import PdfFileReader, PdfFileWriter

readFile = 'C:/Users/Administrator/Desktop/RxJava 完全解析.pdf'
# 獲取 PdfFileReader 對象
pdfFileReader = PdfFileReader(readFile)  # 或者這個方式：pdfFileReader = PdfFileReader(open(readFile, 'rb'))
# 獲取 PDF 文件的文檔信息
documentInfo = pdfFileReader.getDocumentInfo()
print('documentInfo = %s' % documentInfo)
# 獲取頁面佈局
pageLayout = pdfFileReader.getPageLayout()
print('pageLayout = %s ' % pageLayout)

# 獲取頁模式
pageMode = pdfFileReader.getPageMode()
print('pageMode = %s' % pageMode)

xmpMetadata = pdfFileReader.getXmpMetadata()
print('xmpMetadata  = %s ' % xmpMetadata)

# 獲取 pdf 文件頁數
pageCount = pdfFileReader.getNumPages()

print('pageCount = %s' % pageCount)
for index in range(0, pageCount):
    # 返回指定頁編號的 pageObject
    pageObj = pdfFileReader.getPage(index)
    print('index = %d , pageObj = %s' % (index, type(pageObj)))  # <class 'PyPDF2.pdf.PageObject'>
    # 獲取 pageObject 在 PDF 文檔中處於的頁碼
    pageNumber = pdfFileReader.getPageNumber(pageObj)
    print('pageNumber = %s ' % pageNumber)

輸出結果:

documentInfo = {'/Title': IndirectObject(157, 0), '/Producer': IndirectObject(158, 0), '/Creator': IndirectObject(159, 0), '/CreationDate': IndirectObject(160, 0), '/ModDate': IndirectObject(160, 0), '/Keywords': IndirectObject(161, 0), '/AAPL:Keywords': IndirectObject(162, 0)}
pageLayout = None 
pageMode = None
xmpMetadata  = None 
pageCount = 3
index = 0 , pageObj = <class 'PyPDF2.pdf.PageObject'>
pageNumber = 0 
index = 1 , pageObj = <class 'PyPDF2.pdf.PageObject'>
pageNumber = 1 
index = 2 , pageObj = <class 'PyPDF2.pdf.PageObject'>
pageNumber = 2 

PdfFileWriter

這個類支持 PDF 文件，給出其他類生成的頁面。

屬性和方法	描述
addAttachment(fname,fdata)	在 PDF 中嵌入文件
addBlankPage(width= None,height=None)	追加一個空白頁面到這個 PDF 文件並返回它
addBookmark(title,pagenum,parent=None, color=None,bold=False,italic=False,fit=’/fit,*args’)
addJS(javascript)	添加將在打開此 PDF 是啓動的 javascript
addLink(pagenum,pagedest,rect,border=None,fit=’/fit’,*args)	從一個矩形區域添加一個內部鏈接到指定的頁面
addPage(page)	添加一個頁面到這個PDF 文件，該頁面通常從 PdfFileReader 實例獲取
getNumpages()	頁數
getPage(pageNumber)	從這個 PDF 文件中檢索一個編號的頁面
insertBlankPage(width=None,height=None,index=0)	插入一個空白頁面到這個 PDF 文件並返回它，如果沒有指定頁面大小，就使用最後一頁的大小
insertPage(page,index=0)	在這個 PDF 文件中插入一個頁面，該頁面通常從 PdfFileReader 實例獲取
removeLinks()	從次數出中刪除連接盒註釋
removeText(ignoreByteStringObject = False)	從這個輸出中刪除圖像
write(stream)	將添加到此對象的頁面集合寫入 PDF 文件

PDF 寫入操作：

def addBlankpage():
    readFile = 'C:/Users/Administrator/Desktop/RxJava 完全解析.pdf'
    outFile = 'C:/Users/Administrator/Desktop/copy.pdf'
    pdfFileWriter = PdfFileWriter()

    # 獲取 PdfFileReader 對象
    pdfFileReader = PdfFileReader(readFile)  # 或者這個方式：pdfFileReader = PdfFileReader(open(readFile, 'rb'))
    numPages = pdfFileReader.getNumPages()

    for index in range(0, numPages):
        pageObj = pdfFileReader.getPage(index)
        pdfFileWriter.addPage(pageObj)  # 根據每頁返回的 PageObject,寫入到文件
        pdfFileWriter.write(open(outFile, 'wb'))

    pdfFileWriter.addBlankPage()   # 在文件的最後一頁寫入一個空白頁,保存至文件中
    pdfFileWriter.write(open(outFile,'wb'))

結果是：在寫入的 copy.pdf 文檔的最後最後一頁寫入了一個空白頁。

分割文檔（取第五頁之後的頁面）

def splitPdf():
    readFile = 'C:/Users/Administrator/Desktop/RxJava 完全解析.pdf'
    outFile = 'C:/Users/Administrator/Desktop/copy.pdf'
    pdfFileWriter = PdfFileWriter()

    # 獲取 PdfFileReader 對象
    pdfFileReader = PdfFileReader(readFile)  # 或者這個方式：pdfFileReader = PdfFileReader(open(readFile, 'rb'))
    # 文檔總頁數
    numPages = pdfFileReader.getNumPages()

    if numPages > 5:
        # 從第五頁之後的頁面，輸出到一個新的文件中，即分割文檔
        for index in range(5, numPages):
            pageObj = pdfFileReader.getPage(index)
            pdfFileWriter.addPage(pageObj)
        # 添加完每頁，再一起保存至文件中
        pdfFileWriter.write(open(outFile, 'wb'))

合併文檔

def mergePdf(inFileList, outFile):
    '''
    合併文檔
    :param inFileList: 要合併的文檔的 list
    :param outFile:    合併後的輸出文件
    :return:
    '''
    pdfFileWriter = PdfFileWriter()
    for inFile in inFileList:
        # 依次循環打開要合併文件
        pdfReader = PdfFileReader(open(inFile, 'rb'))
        numPages = pdfReader.getNumPages()
        for index in range(0, numPages):
            pageObj = pdfReader.getPage(index)
            pdfFileWriter.addPage(pageObj)

        # 最後,統一寫入到輸出文件中
        pdfFileWriter.write(open(outFile, 'wb'))

PageObject

PageObject(pdf=None,indirectRef=None)

此類表示 PDF 文件中的單個頁面，通常這個對象是通過訪問 PdfFileReader 對象的 getPage() 方法來得到的，也可以使用 createBlankPage() 靜態方法創建一個空的頁面。

參數：

• pdf : 頁面所屬的 PDF 文件。
• indirectRef：將源對象的原始間接引用存儲在其源 PDF 中。

PageObject 對象的屬性和方法

屬性或方法	描述
static createBlankPage(pdf=None,width=None,height=None)	返回一個新的空白頁面
extractText()	找到所有文本繪圖命令，按照他們在內容流中提供的順序，並提取文本
getContents()	訪問頁面內容，返回 Contents 對象或 None
rotateClockwise(angle)	順時針旋轉 90 度
scale(sx,sy)	通過向其內容應用轉換矩陣並更新頁面大小

粗略讀取 PDF 文本內容

def getPdfContent(filename):
    pdf = PdfFileReader(open(filename, "rb"))
    content = ""
    for i in range(0, pdf.getNumPages()):
        pageObj = pdf.getPage(i)

        extractedText = pageObj.extractText()
        content += extractedText + "\n"
        # return content.encode("ascii", "ignore")
    return content