天天看點
傳回

Python 自動化辦公 —— PyPDF2 庫的基本使用

大家好，我是小張~，今天文章與自動化辦公相關，目前個人認為 Python 庫中處理 PDF 比較不錯的有三個，分别是 PyPDF2，Pdfplumer 和 PDFminer；

Python 自動化辦公 —— PyPDF2 庫的基本使用

今天教程内容主要聚焦于 PyPDF2 ，借助它對 PDF 實作以下基本操作

  • 1，将單個 PDF 拆分為多個 PDF 檔案 ；
  • 2，将多個 PDF 合并為一個 PDF 檔案 ；
  • 3，将 PDF 中某頁進行旋轉 ；
  • 4，對 PDF 添加水印 ;
  • 5，對 PDF 加密 ；
  • 6，對 PDF 進行解密；
  • 6，擷取 PDF 基本資訊，例如作者、标題、頁數等；

PyPDF2 曆史

正文開始之前，說一下 PyPDF2 的發展曆史 ，PyPDF 的前身是 pyPDf 包在2005年釋出，該包的最後一個版本釋出于2010年，後來大約經過一年左右， 名為 Phasit 的公司贊助 PyPdf 的一個分支後來命名為 PyPDF2，兩個版本功能都基本一樣，最大差別就是 PyPDF2 中 加入了支援 Python3 特性；

PyPDF2 近期也沒有再更新了，最近一個版本釋出在2016年，但使用熱度依然沒有消退；雖然後面又出現了 PyPDF3、PyPDF4 等不同版本，但這些包并沒有對 PyPDF2 功能向後完全相容，使用者受歡迎程度當然也不如 PyPDF2

PyPDF2 安裝

與其它Python 庫一樣，安裝可通過 pip 或 conda 工具

pip install pypdf2

PDF 資訊提取

使用 PyPDF2 可以從 PDF 中提取到一些中繼資料和文本資訊，對 PDF 有個大緻了解

用 PyPDF2 能夠提取的資料如下

  • 作者；
  • 建立者；
  • 制作者；
  • Subject；
  • 标題；
  • 頁數；

這裡我下載下傳了官網提供的 PDF 樣本《Seige_of_Vicksburg_Sample_OCR》一共六頁，作為測試資料

Python 自動化辦公 —— PyPDF2 庫的基本使用
from  PyPDF2 import PdfFileReader


# # pdf 文檔
pdf_path = "D:/Data/自動化辦公/PDF/Seige_of_Vicksburg_Sample_OCR.pdf"

with open(pdf_path,'rb') as f:
    pdf = PdfFileReader(f)
    infomation = pdf.getDocumentInfo()
    number_of_pages = pdf.getNumPages()

    txt = f'''{pdf_path} information:
    Author : {infomation.author},
    Creator : {infomation.creator},
    Producer : {infomation.producer},
    Subject : {infomation.subject},
    Title : {infomation.title},
    Number of pages : {number_of_pages}
    '''
    print(txt)

下面為列印結果

D:/Data/自動化辦公/PDF/Seige_of_Vicksburg_Sample_OCR.pdf information:
    Author : DSI,
    Creator : LuraDocument PDF Compressor Server 5.5.46.38,
    Producer : LuraDocument PDF v2.38,
    Subject : None,
    Title : Binder1.pdf,
    Number of pages : 6

在上面例子中用到了 PdfFileReader 類，用于與 pdf 檔案互動；調用該類中的 getDocumentInfo() 方法傳回一個 DocumentInformation 的執行個體，該執行個體中存儲着我們需要的資訊；對 reader 對象調用 getNumPages 方法也可以傳回文檔頁數；

個人看法，這裡面的資料也就 頁數 有點價值，當批量統計時該方法很适用

PDF 頁面旋轉

PyPDF2 中 pdf 每一頁都是以 page 對象存在，傳回某一頁的執行個體可通過 reader 對象中的 get_Page(page_index) 方法，其中 page_index 表示索引

對某一頁旋轉，有兩種方式

  • rotateClockwise(90)，順時針旋轉90度；
  • rotateCounterClockwise(90)，逆時針旋轉 90 度；

下面代碼表示将目标 PDF 中第一頁順時針方向旋轉 90 度，第二頁以逆時針方向旋轉 90 度，其它頁位置角度不變；

from  PyPDF2 import PdfFileReader,PdfFileWriter

pdf_writer = PdfFileWriter()
pdf_reader = PdfFileReader(pdf_path)
# Rotate page 90 degrees to the right
page_1 = pdf_reader.getPage(0).rotateClockwise(90)
pdf_writer.addPage(page_1)
# Rotate page 90 degrees to the left
page_2 = pdf_reader.getPage(1).rotateCounterClockwise(90)
pdf_writer.addPage(page_2)
# 之後的正常寫出
for i in range(2,pdf_reader.getNumPages()):
    pdf_writer.addPage(pdf_reader.getPage(i))

with open(pdf_path, 'wb') as fh:
     pdf_writer.write(fh)

結果如下

Python 自動化辦公 —— PyPDF2 庫的基本使用

代碼中同時用到了

PdfFileReader,PdfFileWriter

這兩個類，頁面旋轉并不是在原有 PDF 基礎上進行操作而是在記憶體處建立了一個新的PDF流對象，将操作後的每一頁通過 addPage() 方法加入到這個對象中，之後将記憶體中的這個對象寫入到檔案中；

寫到這裡，說實話其實 頁面旋轉 這個功能沒基本沒什麼作用，加在這裡隻是想充當一些字數，哈哈哈

單個 PDF 拆分成多個PDF 

from  PyPDF2 import PdfFileReader,PdfFileWriter

# # pdf 文檔
pdf_path = "D:/Data/自動化辦公/PDF/Seige_of_Vicksburg_Sample_OCR.pdf"
save_path = 'D:/Data/自動化辦公/PDF/'

# Split Pages of PDF

pdf_reader = PdfFileReader(pdf_path)
for i in range(0,pdf_reader.getNumPages()):
    pdf_writer = PdfFileWriter()
    pdf_writer.addPage(pdf_reader.getPage(i))
    # Every page write to a path
    with open(save_path+'{}.pdf'.format(str(i)), 'wb') as fh:
         pdf_writer.write(fh)
    print('{} Save Sucessfully !\n'.format(str(i)))

代碼将 PDF 原檔案中的每一頁拆分到每一個PDF檔案，其中檔案名用頁索引來命名；

Python 自動化辦公 —— PyPDF2 庫的基本使用

通過拆分也可以提取到 pdf 檔案中固定頁碼範圍，例如我隻想提取 pdf 中的 2-5 頁，其它部分不要，那麼代碼将寫成下面形式

pdf_writer = PdfFileWriter()
pdf_reader = PdfFileReader(pdf_path)
for i in range(1,5):
    # pdf_writer = PdfFileWriter()
    pdf_writer.addPage(pdf_reader.getPage(i))
    # Every page write to a path
with open(save_path+'2_5.pdf', 'wb') as fh:
        pdf_writer.write(fh)

多個 PDF 檔案合并為單個

pdf 拆分與合并方向雖然相反，但用到的類、原理都是一樣的

PdfFileReader

讀取每個pdf，并遞歸擷取每一頁page 對象，

PdfFileWrite

建立一個流對象，把前面記憶體中讀取到的 page 對象按順序寫入到這個流對象中，最後寫入到磁盤檔案

from  PyPDF2 import PdfFileReader,PdfFileWriter

p1_pdf = "D:/Data/自動化辦公/PDF/Seige_of_Vicksburg_Sample_OCR.pdf"
p2_pdf = "D:/Data/自動化辦公/PDF/Seige_of_Vicksburg_Sample_OCR.pdf"


merge_pdf = 'D:/Data/自動化辦公/PDF/merge.pdf'

p1_reader = PdfFileReader(p1_pdf)
p2_reader = PdfFileReader(p2_pdf)

merge = PdfFileWriter()
# Write p1
for i in range(0,p1_reader.getNumPages()):
    merge.addPage(p1_reader.getPage(i))
# Write p2
for j in range(0,p2_reader.getNumPages()):
    merge.addPage(p2_reader.getPage(j))

# Write out
with open(merge_pdf,'wb') as f:
    merge.write(f)

運作結果如下

Python 自動化辦公 —— PyPDF2 庫的基本使用

PDF 添加水印

在今天列舉的這麼多功能中，我想這個功能是最有用，批量添加水印主要用到 page 對象中的 margePage() 方法，通過将兩個頁面合并來達到添加水印的效果

因為 PyPDF2 隻能操作 pdf 對象，是以在添加水印之前，需要将準備添加的水印存放到一個 pdf 檔案中

from  PyPDF2 import PdfFileReader,PdfFileWriter
watermark = 'D:/Data/自動化辦公/PDF/watermark.pdf'
input_pdf = 'D:/Data/自動化辦公/PDF/merge.pdf'
output = 'D:/Data/自動化辦公/PDF/merge_watermark.pdf'


watermark_obj = PdfFileReader(watermark)
watermark_page = watermark_obj.getPage(0)

pdf_reader = PdfFileReader(input_pdf)
pdf_writer = PdfFileWriter()

# Watermark all the pages
for page in range(pdf_reader.getNumPages()):
    page = pdf_reader.getPage(page)
    page.mergePage(watermark_page)
    pdf_writer.addPage(page)

with open(output, 'wb') as out:
    pdf_writer.write(out)

效果如下，從左到右，依次為原圖、水印、添加水印後的原圖　　 　[外鍊圖檔轉存失敗,源站可能有防盜鍊機制,建議将圖檔儲存下來直接上傳(img-XP0ELXsk-1615825692823)(https://images.zeroingpython.top/img/image-20210314005417135.png)]

上面效果不好是因為制作水印時沒有考慮到頁面布局問題，是以合并時出現一部分缺失；

用以上代碼添加水印的好處是，可以對 pdf 指定頁田間水印，比如說隻對奇數頁添加偶數頁不管，不但靈活性強而且高效，當然也可以對多個檔案進行批量操作

PDF加密解密

pdf加密

對一份 pdf 檔案，如果我們不想讓其他人能夠讀取裡面的内容，可以通過 pypdf2 對它設定密碼，如果隻是單個檔案的話，建議最好自己找個工具受手動操作一下會高效一點，但若是多個檔案，非常建議用下面方法

watermark = 'D:/Data/自動化辦公/PDF/Seige_of_Vicksburg_Sample_OCR.pdf'
input_pdf = 'D:/Data/自動化辦公/PDF/merge.pdf'
output = 'D:/Data/自動化辦公/PDF/merge_watermark1.pdf'


watermark_obj = PdfFileReader(watermark)
watermark_page = watermark_obj.getPage(0)

pdf_reader = PdfFileReader(input_pdf)
pdf_writer = PdfFileWriter()

# Watermark all the pages
for page in range(pdf_reader.getNumPages()):
    page = pdf_reader.getPage(page)
    page.mergePage(watermark_page)
    pdf_writer.addPage(page)
pdf_writer.encrypt(user_pwd='123456',
                       use_128bit=True)
with open(output, 'wb') as out:
    pdf_writer.write(out)
Python 自動化辦公 —— PyPDF2 庫的基本使用

主要用到 encrypt　函數，需要注意三個參數

  • user_pwd，str，使用者密碼，用來限制打開讀取檔案；
  • owner_pwd，str，比使用者密碼更高一級，提供時可讓打開檔案不受任何限制，不指定時預設owner_pwd 與 user_pwd 相同；
  • use_128bit　布爾值，用來表示是否使用128位作為密碼，False 時代表用 40 位密碼，預設為True；

pdf解密

解密是在讀取檔案時用的，用到 decrypt() 函數

rom PyPDF2 import PdfFileWriter, PdfFileReader

input_pdf='reportlab-encrypted.pdf'
output_pdf='reportlab.pdf'
password='twofish'

pdf_writer = PdfFileWriter()
pdf_reader = PdfFileReader(input_pdf)
pdf_reader = pdf_reader.decrypt(password)

for page in range(pdf_reader.getNumPages()):
     pdf_writer.addPage(pdf_reader.getPage(page))

with open(output_pdf, 'wb') as fh:
      pdf_writer.write(fh)

上面例子中解密原理是 通過将一個加密檔案進行讀取，并寫入到一個非加密 pdf 中

小結

本文介紹了 PyPDF2 庫的基本用法，借助它加上代碼執行個體實作了一些基本操作；但在這裡提醒一下，所有上面這些操作隻适用于批量操作場景，如果對象是單個檔案的話建議用正常做法，過于炫技的話隻會浪費時間

關于 pdf 内的圖文内容提取、寫入本文并沒有涉獵，源于 pypdf2 對于這方面并不擅長，而 Pdfplumber 和 PDFminer 在文本提取方面要好得多，工欲善其事，必先利其器；在之後的教程中我将會介紹一下這方面的内容，期待大家的關注！

好了以上就是本篇内容的全部内容，最後感謝大家的閱讀，我們下期見~

python自動化辦公
上一篇: Mangos自己制作裝備 - 愛東東
下一篇: 為什麼要學習C語言 - bokeyuan007

繼續閱讀