Python办公自动化之PDF的操作方法有哪些

1. 相关介绍

Python 操作 PDF 会用到两个库，分别是：PyPDF2 和 pdfplumber。

其中 PyPDF2 可以更好的读取、写入、分割、合并PDF文件，而 pdfplumber 可以更好的读取 PDF 文件中内容和提取 PDF 中的表格。

由于这两个库都不是 Python 的标准库，所以在使用之前都需要单独安装。

win+r 后输入 cmd 打开 command 窗口，依次输入如下命令进行安装：

• pip install PyPDF2

• pip install pdfplumber

安装完成后显示 success 则表示安装成功。

2. 批量拆分

将一个完整的 PDF 拆分成几个小的 PDF，因为主要涉及到 PDF 整体的操作，所以本小节需要用到 PyPDF2 这个库。

拆分的大概思路如下：

• 读取 PDF 的整体信息、总页数等

• 遍历每一页内容，以每个 step 为间隔将 PDF 存成每一个小的文件块

• 将小的文件块重新保存为新的 PDF 文件

需要注意的是，在拆分的过程中，可以手动设置间隔，例如：每5页保存成一个小的 PDF 文件。

拆分的代码如下：

importos
fromPyPDF2importPdfFileWriter,PdfFileReader
defsplit_pdf(filename,filepath,save_dirpath,step=5):
"""
拆分PDF为多个小的PDF文件，
@paramfilename:文件名
@paramfilepath:文件路径
@paramsave_dirpath:保存小的PDF的文件路径
@paramstep:每step间隔的页面生成一个文件，例如step=5，表示0-4页、5-9页...为一个文件
@return:
"""
ifnotos.path.exists(save_dirpath):
os.mkdir(save_dirpath)
pdf_reader=PdfFileReader(filepath)
#读取每一页的数据
pages=pdf_reader.getNumPages()
forpageinrange(0,pages,step):
pdf_writer=PdfFileWriter()
#拆分pdf，每step页的拆分为一个文件
forindexinrange(page,page+step):
ifindexpages:
pdf_writer.addPage(pdf_reader.getPage(index))
#保存拆分后的小文件
save_path=os.path.join(save_dirpath,filename+str(int(page/step)+1)+'.pdf')
print(save_path)
withopen(save_path,"wb")asout:
pdf_writer.write(out)
print("文件已成功拆分，保存路径为："+save_dirpath)
split_pdf(filename,filepath,save_dirpath,step=5)

以“易方达中小盘混合型证券投资基金2020年中期报告”为例，整个 PDF 文件一共 46 页，每5页为间隔，最终生成了10个小的 PDF 文件。

3. 批量合并

比起拆分来，合并的思路更加简单：

• 确定要合并的 文件顺序

• 循环追加到一个文件块中

• 保存成一个新的文件

对应的代码比较简单：

importos
fromPyPDF2importPdfFileReader,PdfFileWriter
defconcat_pdf(filename,read_dirpath,save_filepath):
"""
合并多个PDF文件
@paramfilename:文件名
@paramread_dirpath:要合并的PDF目录
@paramsave_filepath:合并后的PDF文件路径
@return:
"""
pdf_writer=PdfFileWriter()
#对文件名进行排序
list_filename=os.listdir(read_dirpath)
list_filename.sort(key=lambdax:int(x[:-4].replace(filename,"")))
forfilenameinlist_filename:
print(filename)
filepath=os.path.join(read_dirpath,filename)
#读取文件并获取文件的页数
pdf_reader=PdfFileReader(filepath)
pages=pdf_reader.getNumPages()
#逐页添加
forpageinrange(pages):
pdf_writer.addPage(pdf_reader.getPage(page))
#保存合并后的文件
withopen(save_filepath,"wb")asout:
pdf_writer.write(out)
print("文件已成功合并，保存路径为："+save_filepath)
concat_pdf(filename,read_dirpath,save_filepath)

4. 提取文字内容

涉及到具体的 PDF 内容 操作，本小节需要用到 pdfplumber 这个库。

在进行文字提取的时候，主要用到 extract_text 这个函数。

具体代码如下：

importos
importpdfplumber
defextract_text_info(filepath):
"""
提取PDF中的文字
@paramfilepath:文件路径
@return:
"""
withpdfplumber.open(filepath)aspdf:
#获取第2页数据
page=pdf.pages[1]
print(page.extract_text())
#提取文字内容
extract_text_info(filepath)

可以看到，直接通过下标即可定位到相应的页码，从而通过 extract_text 函数提取该也的所有文字。

而如果想要提取所有页的文字，只需要改成：

withpdfplumber.open(filepath)aspdf:
#获取全部数据
forpageinpdf.pages
print(page.extract_text())

例如，提取“易方达中小盘混合型证券投资基金2020年中期报告” 第一页的内容时，源文件是这样的：

运行代码后提取出来是这样的：

5. 提取表格内容

同样的，本节是对具体内容的操作，所以也需要用到 pdfplumber 这个库。

和提取文字十分类似的是，提取表格内容只是将 extract_text 函数换成了 extract_table 函数。

对应的代码如下：

importos
importpandasaspd
importpdfplumber
defextract_table_info(filepath):
"""
提取PDF中的图表数据
@paramfilepath:
@return:
"""
withpdfplumber.open(filepath)aspdf:
#获取第18页数据
page=pdf.pages[17]
#如果一页有一个表格，设置表格的第一行为表头，其余为数据
table_info=page.extract_table()
df_table=pd.DataFrame(table_info[1:],columns=table_info[0])
df_table.to_csv('dmeo.csv',index=False,encoding='gbk')
#提取表格内容
extract_table_info(filepath)

上面代码可以获取到第 18 页的第一个表格内容，并且将其保存为 csv 文件存在本地。

• 但是，如果说第 18 页有多个表格内容呢？

因为读取的表格会被存成二维数组，而多个二维数组就组成一个三维数组。

遍历这个三位数组，就可以得到该页的每一个表格数据，对应的将 extract_table 函数 改成 extract_tables 即可。

具体代码如下：

#如果一页有多个表格，对应的数据是一个三维数组
tables_info=page.extract_tables()
forindexinrange(len(tables_info)):
#设置表格的第一行为表头，其余为数据
df_table=pd.DataFrame(tables_info[index][1:],columns=tables_info[index][0])
print(df_table)
#df_table.to_csv('dmeo.csv',index=False,encoding='gbk')

以“易方达中小盘混合型证券投资基金2020年中期报告” 第 xx 页的第一个表格为例：

源文件中的表格是这样的：

提取并存入 excel 之后的表格是这样的：

6. 提取图片内容

提取 PDF 中的图片和将 PDF 转存为图片是不一样的（下一小节），需要区分开。

提取图片：顾名思义，就是将内容中的图片都提取出来；

转存为图片：则是将每一页的 PDF 内容存成一页一页的图片，下一小节会详细说明

转存为图片中，需要用到一个模块叫 fitz，fitz 的最新版 1.18.13，非最新版的在部分函数名称上存在差异，代码中会标记出来

使用 fitz 需要先安装 PyMuPDF 模块，安装方式如下：

• pip install PyMuPDF

提取图片的整体逻辑如下：

• 使用 fitz 打开文档，获取文档详细数据

• 遍历每一个元素，通过正则找到图片的索引位置

• 使用 Pixmap 将索引对应的元素生成图片

• 通过 size 函数过滤较小的图片

实现的具体代码如下：

importos
importre
importfitz
defextract_pic_info(filepath,pic_dirpath):
"""
提取PDF中的图片
@paramfilepath:pdf文件路径
@parampic_dirpath:要保存的图片目录路径
@return:
"""
ifnotos.path.exists(pic_dirpath):
os.makedirs(pic_dirpath)
#使用正则表达式来查找图片
check_XObject=r"/Type(?=*/XObject)"
check_Image=r"/Subtype(?=*/Image)"
img_count=0
"""1.打开pdf，打印相关信息"""
pdf_info=fitz.open(filepath)
#1.16.8版本用法xref_len=doc._getXrefLength()
#最新版本
xref_len=pdf_info.xref_length()
#打印PDF的信息
print("文件名：{
}
,页数:{
}
,对象:{
}
    ".format(filepath,len(pdf_info),xref_len-1))
"""2.遍历PDF中的对象，遇到是图像才进行下一步，不然就continue"""
forindexinrange(1,xref_len):
#1.16.8版本用法text=doc._getXrefString(index)
#最新版本
text=pdf_info.xref_object(index)
is_XObject=re.search(check_XObject,text)
is_Image=re.search(check_Image,text)
#如果不是对象也不是图片，则不操作
ifis_XObjectoris_Image:
img_count+=1
#根据索引生成图像
pix=fitz.Pixmap(pdf_info,index)
pic_filepath=os.path.join(pic_dirpath,'img_'+str(img_count)+'.png')
"""pix.size可以反映像素多少，简单的色素块该值较低，可以通过设置一个阈值过滤。以阈值10000为例过滤"""
#ifpix.size10000:
#continue
"""三、将图像存为png格式"""
ifpix.n>
    =5:
#先转换CMYK
pix=fitz.Pixmap(fitz.csRGB,pix)
#存为PNG
pix.writePNG(pic_filepath)
#提取图片内容
extract_pic_info(filepath,pic_dirpath)

以本节示例的“易方达中小盘混合型证券投资基金2020年中期报告” 中的图片为例，代码运行后提取的图片如下：

这个结果和文档中的共 1 张图片的结果符合。

7. 转换为图片

转换为照片比较简单，就是将一页页的 PDF 转换为一张张的图片。大致过程如下：

安装 pdf2image

首先需要安装对应的库，最新的 pdf2image 库版本应该是 1.14.0。

安装方式如下：

• pip install pdf2image

安装组件

对于不同的平台，需要安装相应的组件，这里以 windows 平台和 mac 平台为例：

Windows 平台

对于 windows 用户需要安装 poppler for Windows

另外，还需要添加环境变量， 将 bin 文件夹的路径添加到环境变量 PATH 中。

• 注意这里配置之后需要重启一下电脑才会生效，不然会报错

Mac

对于 mac 用户，需要安装 poppler for Mac，详细代码如下：

importos
frompdf2imageimportconvert_from_path,convert_from_bytes
defconvert_to_pic(filepath,pic_dirpath):
"""
每一页的PDF转换成图片
@paramfilepath:pdf文件路径
@parampic_dirpath:图片目录路径
@return:
"""
print(filepath)
ifnotos.path.exists(pic_dirpath):
os.makedirs(pic_dirpath)
images=convert_from_bytes(open(filepath,'rb').read())
#images=convert_from_path(filepath,dpi=200)
forimageinimages:
#保存图片
pic_filepath=os.path.join(pic_dirpath,'img_'+str(images.index(image))+'.png')
image.save(pic_filepath,'PNG')
#PDF转换为图片
convert_to_pic(filepath,pic_dirpath)

以本节示例的“易方达中小盘混合型证券投资基金2020年中期报告” 中的图片为例，该文档共 46 页，保存后的 PDF 照片如下：

一共 46 张图片

8. 添加水印

添加水印后的效果如下：

在制作水印的时候，可以自定义水印内容、透明度、斜度、字间宽度等等，可操作性比较好。

前面专门写过一篇文章，讲的特别详细：Python快速给PDF文件添加自定义水印。

9. 文档加密与解密

你可能在打开部分 PDF 文件的时候，会弹出下面这个界面：

这种就是 PDF 文件被加密了，在打开的时候需要相应的密码才行。

本节所提到的也只是基于 PDF 文档的加密解密，而不是所谓的 PDF 密码破解。

在对 PDF 文件加密需要使用 encrypt 函数，对应的加密代码也比较简单：

importos
fromPyPDF2importPdfFileReader,PdfFileWriter
defencrypt_pdf(filepath,save_filepath,passwd='xiaoyi'):
"""
PDF文档加密
@paramfilepath:PDF文件路径
@paramsave_filepath:加密后的文件保存路径
@parampasswd:密码
@return:
"""
pdf_reader=PdfFileReader(filepath)
pdf_writer=PdfFileWriter()
forpage_indexinrange(pdf_reader.getNumPages()):
pdf_writer.addPage(pdf_reader.getPage(page_index))
#添加密码
pdf_writer.encrypt(passwd)
withopen(save_filepath,"wb")asout:
pdf_writer.write(out)
#文档加密
encrypt_pdf(filepath,save_filepath,passwd='xiaoyi')

代码执行成功后再次打开 PDF 文件则需要输入密码才行。

根据这个思路，破解 PDF 也可以通过暴力求解实现，例如：通过本地密码本一个个去尝试，或者根据数字+字母的密码形式循环尝试，最终成功打开的密码就是破解密码。

• 上述破解方法耗时耗力，不建议尝试

另外，针对已经加密的 PDF 文件，也可以使用 decrypt 函数进行解密操作。

解密代码如下：

defdecrypt_pdf(filepath,save_filepath,passwd='xiaoyi'):
"""
解密PDF文档并且保存为未加密的PDF
@paramfilepath:PDF文件路径
@paramsave_filepath:解密后的文件保存路径
@parampasswd:密码
@return:
"""
pdf_reader=PdfFileReader(filepath)
#PDF文档解密
pdf_reader.decrypt('xiaoyi')
pdf_writer=PdfFileWriter()
forpage_indexinrange(pdf_reader.getNumPages()):
pdf_writer.addPage(pdf_reader.getPage(page_index))
withopen(save_filepath,"wb")asout:
pdf_writer.write(out)
#文档解密
decrypt_pdf(filepath,save_filepath,passwd='xiaoyi')

解密完成后的 PDF 文档打开后不再需要输入密码，如需加密可再次执行加密代码。

读到这里，这篇“Python办公自动化之PDF的操作方法有哪些”文章已经介绍完毕，想要掌握这篇文章的知识点还需要大家自己动手实践使用过才能领会，如果想了解更多相关内容的文章，欢迎关注行业资讯频道。

声明：本文内容由网友自发贡献，本站不承担相应法律责任。对本内容有异议或投诉，请联系2913721942#qq.com核实处理，我们将尽快回复您，谢谢合作！