PDF 表示 Portable Document Format，使用 .pdf 作爲文件擴展名。雖然 PDF 支持許多功能，但現在我們專注於最常做的兩件事：從 PDF 讀取文本內容和從已有的文檔生成新的 PDF。主要涉及到三個類：PdfFileReader、PdfFileWriter、PageObject。
Python中用於處理PDF文檔的模塊是PyPDF2。可以直接通過 pip 指令去安裝：pip install PyPDF2 。 這個地方要注意，模塊名是區分大小寫的，除了 y 是小寫其他字母都是大寫。
1. PdfFileReader
PdfFileReader是 PyPDF2 提供的一個類，主要是通過方法和屬性來提供獲取pdf文件內容的相關功能。
使用PdfFileReader讀取pdf文件前需要先創建一個PdfFileReader的對象：
PdfFileReader(stream, strict = True,warndest = None,overwriteWarnings = True)
- 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）
下表是部分 PdfFileReader 對象的方法和屬性：
| 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 |
| decrypt(密碼) | 通過指定密碼對pdf文件進行解密 |
實例一：從PDF文件中提取文本
# 從PyPDF2模塊中導入PdfFileReader類
from PyPDF2 import PdfFileReader
# 打開需要操作的pdf文件，獲取文件對象。因爲pdf文件是二進制文件，所以打開的時候是 'rb'
pdf_file = open('files/new.pdf', 'rb')
# 創建pdf文件對應的PdfFileReader對象
pdf_reader = PdfFileReader(pdf_file)
# 獲取當前pdf文件總頁數（這兒其實不需要，只是給大家看看）
total_page = pdf_reader.getNumPages() # 結果是: 17
# 獲取pdf文件的第一頁
page0 = pdf_reader.getPage(0)
# 獲取第一頁中的文本內容
text_content = page0.extractText()
print(text_content)
實例二：解密
# 從PyPDF2模塊中導入PdfFileReader類
from PyPDF2 import PdfFileReader
# 創建PdfFileReader對象，並且讓它和指定的pdf文件進行關聯
# pdf_reader = PdfFileReader('files/MySQL.pdf') # 打開文件的時候可以直接給pdf文件路徑
pdf_reader = PdfFileReader(open('files/MySQL.pdf', 'rb')) # 打開文件的時候可以直接給文件對象
# 是否加密 - 如果結果是True，表示已經加密，如果獲取頁面的時候程序會報錯
is_encrypted = pdf_reader.isEncrypted
# 通過密碼解密, 這兒的 1234 是密碼
pdf_reader.decrypt('1234')
# 獲取當前pdf文件的第一頁
page0 = pdf_reader.getPage(0)
2. PdfFileWriter
在 PyPDF2 中，與 PdfFileReader 對象相對的是 PdfFileWriter 對象，它可以創建一個新的 PDF 文件。但 PyPDF2 不能將任意文本寫入 PDF，就像 Python 可以寫入純文本文件那樣。PyPDF2 寫入 PDF 的能力，僅限於從其他 PDF 中拷貝頁面、旋轉頁面、重疊頁面和加密文件。模塊不允許直接編輯 PDF。必須創建一個新的 PDF，然後從已有的文檔拷貝內容。PdfFileWriter 的使用一般遵守以下方式：
- 打開一個或多個已有的 PDF（源 PDF），得到 PdfFileReader 對象。
- 創建一個新的 PdfFileWriter 對象。
- 將頁面從 PdfFileReader 對象拷貝到 PdfFileWriter 對象中。
- 最後，利用 PdfFileWriter 對象寫入輸出的 PDF。
創建一個PdfFileWriter 對象，只是在Python 中創建了一個代表PDF 文檔的值，這並沒有創建實際的PDF 文件，要實際生成文件，必須調用PdfFileWriter 對象的write()方法。
下表是部分 PdfFileWriter 對象的方法和屬性：
| 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 |
| 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 |
實例三：拷貝頁面
from PyPDF2 import PdfFileReader, PdfFileWriter
# 創建兩個pdf文件對應的PdfFileReader對象
pdf_reader1 = PdfFileReader('files/file1.pdf')
pdf_reader2 = PdfFileReader('files/file2.pdf')
# 創建PdfFileWriter對象
writer = PdfFileWriter()
# 遍歷將第一個pdf文件中的每一頁取出來
for page_num in range(pdf_reader1.getNumPages()):
# 取出每一頁對應的PageObject對象
page = pdf_reader1.getPage(page_num)
# 將當前取出來的頁面添加到writer中
writer.addPage(page)
# 遍歷將第二個pdf文件中的每一頁取出來
for page_num in range(pdf_reader2.getNumPages()):
# 取出每一頁對應的PageObject對象
page = pdf_reader2.getPage(page_num)
# 將當前取出來的頁面添加到writer中
writer.addPage(page)
# write(stream) - 將添加到此對象的頁面集合寫入 PDF 文件 ，這兒的stream必須是以寫的方式打開的文件對象
out_file = open('files/out.pdf', 'wb')
writer.write(out_file)
out_file.close()
# 程序結束後，會在files下創建一個 out.pdf 文件，文件中的內容是 file1.pdf 和 file2.pdf 兩個文件中的所有內容
3. PageObject
從 PdfFileReader 對象中通過 getPage 方法得到頁面都是 PageObject 的對象。
下表是部分 PageObject 對象的屬性和方法：
| 屬性或方法 | 描述 |
|---|---|
| createBlankPage(pdf=None,width=None,height=None) | 返回一個新的空白頁面（靜態方法） |
| 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) | 順時針旋轉指定度數 |
| scale(sx,sy) | 通過向其內容應用轉換矩陣並更新頁面大小 |
| mergePage(page) | 頁面的合併 |
| compressContentStreams() | 頁面壓縮 |
| mediaBox.upperRight | 將頁面裁剪成指定大小 |
| mediaBox.getUpperRight_x()/mediaBox.getUpperRight_y() | 獲取頁面的大小 |
實例四：旋轉頁面
# **實例三：拷貝頁面**
from PyPDF2 import PdfFileReader, PdfFileWriter
# 打開文件
# file_reader = PdfFileReader(open('files/MySQL.pdf', 'rb'))
file_reader = PdfFileReader('files/MySQL.pdf')
# 取第一頁
page0 = file_reader.getPage(0)
# 旋轉90度
page0.rotateClockwise(90)
# 創建 PdfFileWriter 對象
file_writer = PdfFileWriter()
# 將第一頁添加到新文件中
file_writer.addPage(page0)
# 保存新文件
file_writer.write(open('files/MySQL2.pdf', 'wb'))
PyPDF2 也可以將一頁的內容疊加到另一頁上，這可以用來在頁面上添加公司標誌、時間戳或水印。利用 Python，很容易爲多個文件添加水印，並且只針對程序指定的頁面添加。
實例五: 添加水印
from PyPDF2 import PdfFileReader, PdfFileWriter
# 打開需要添加水印的文件
pdf_reader = PdfFileReader('files/MySQL.pdf')
# 打開水印文件
water_reader = PdfFileReader('files/water.pdf')
# 獲取需要添加水印的頁面（如果所有也都要添加水印就遍歷）
page0 = pdf_reader.getPage(0)
# 獲取水印頁
water_page = water_reader.getPage(0)
# 合併
page0.mergePage(water_page)
# 創建PdfFileWriter對象並且將已經添加水印的也添加到PdfFileWriter對象中
writer = PdfFileWriter()
writer.addPage(page0)
# 保存
writer.write(open('out/newMySQL.pdf', 'wb'))
實例六：加密PDF
PdfFileWriter 對象也可以爲 PDF 文檔進行加密:
from PyPDF2 import PdfFileWriter, PdfFileReader
# 打開需要加密的文件
file_reader = PdfFileReader('files/MySQL.pdf')
# 創建PdfFileWriter對象
file_writer = PdfFileWriter()
# 將原文件的內容全部添加到PdfFileWriter對象中
for page_num in range(file_reader.getNumPages()):
file_writer.addPage(file_reader.getPage(page_num))
# 加密,並且設置密碼爲： 123456
file_writer.encrypt('123456')
# 保存文件
file_writer.write(open('out/newMySQL.pdf', 'wb'))
參考書籍：《Python編程快速上手-讓繁瑣工作自動化》