九大Python处理PDF操作

墨蓝 2022-08-31 00:56 145阅读 0赞

办公自动化应该算是打工人上班摸鱼的极致追求了，况且对于 Python 爱好者来说，办公自动化简直是太简单了

比如，今天的办公自动化主题：Python 操作 PDF

今天的具体内容将会从以下几个小节展开：

1.  相关介绍
2.  批量拆分
3.  批量合并
4.  提取文字内容
5.  提起表格内容
6.  提起图片内容
7.  转换为PDF图片
8.  添加水印
9.  加密与解码

上述操作比较常用，也可以解决较多的办公内容，下面直接开始本节内容：

#### 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

对应的官网分别是：

> PyPDF2：https://pythonhosted.org/PyPDF2/
> 
> pdfplumber：https://github.com/jsvine/pdfplumber

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

![092489ab90c5f8def3dcb08993e27583.png][]

#### 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：

import os
    from PyPDF2 import PdfFileWriter, PdfFileReader
    
    def split_pdf(filename, filepath, save_dirpath, step=5):
        """
        拆分PDF为多个小的PDF文件，
        @param filename:文件名
        @param filepath:文件路径
        @param save_dirpath:保存小的PDF的文件路径
        @param step: 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:
        """
        if not os.path.exists(save_dirpath):
            os.mkdir(save_dirpath)
        pdf_reader = PdfFileReader(filepath)
        # 读取每一页的数据
        pages = pdf_reader.getNumPages()
        for page in range(0, pages, step):
            pdf_writer = PdfFileWriter()
            # 拆分pdf，每 step 页的拆分为一个文件
            for index in range(page, page+step):
                if index < pages:
                    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)
            with open(save_path, "wb") as out:
                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

![c873ba79b329dbc61ebf8f74bb6b5d83.png][]

#### 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：

import os
    from PyPDF2 import PdfFileReader, PdfFileWriter
    
    def concat_pdf(filename, read_dirpath, save_filepath):
        """
        合并多个PDF文件
        @param filename:文件名
        @param read_dirpath:要合并的PDF目录
        @param save_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=lambda x: int(x[:-4].replace(filename, "")))
        for filename in list_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
            for page in range(pages):
                pdf_writer.addPage(pdf_reader.getPage(page))
        # 保存合并后的文件
        with open(save_filepath, "wb") as out:
            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：

import os
    import pdfplumber
    
    def extract_text_info(filepath):
        """
        提取PDF中的文字
        @param filepath:文件路径
        @return:
        """
        with pdfplumber.open(filepath) as pdf:
            # 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：

with pdfplumber.open(filepath) as pdf:
     # 获取全部数据
     for page in pdf.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：

![5f3f1bac8a94e05e4484670bada39024.png][]

运行代码后提取出来是这样的：

![9a153c7eb342d95bd1e68f4f0f3967be.png][]

#### 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：

import os
    import pandas as pd
    import pdfplumber
    
    def extract_table_info(filepath):
        """
        提取PDF中的图表数据
        @param filepath:
        @return:
        """
        with pdfplumber.open(filepath) as pdf:
            # 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()
    for index in range(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：

![f4c6135a48df55194af173b05d3d96b2.png][]

提取并存入 excel 之后的表格是这样的：

![95545788b5c5baee55a2b3e61c461893.png][]

#### 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：

import os
    import re
    import fitz
    
    def extract_pic_info(filepath, pic_dirpath):
        """
        提取PDF中的图片
        @param filepath:pdf文件路径
        @param pic_dirpath:要保存的图片目录路径
        @return:
        """
        if not os.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"""
        for index in range(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
            if is_XObject or is_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"""
                # if pix.size < 10000:
                #     continue
    
                """三、 将图像存为png格式"""
                if pix.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：

![2ac654e56ca0d8e8f39f19fc4b88dac3.png][]

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

它的 github地址 为：https://github.com/Belval/pdf2image ，感兴趣的可以自行了解

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，安装链接是：http://blog.alivate.com.au/poppler-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，具体可以参考这个链接：http://macappstore.org/poppler/

详细代码如下：

import os
    from pdf2image import convert_from_path, convert_from_bytes
    
    def convert_to_pic(filepath, pic_dirpath):
        """
        每一页的PDF转换成图片
        @param filepath:pdf文件路径
        @param pic_dirpath:图片目录路径
        @return:
        """
        print(filepath)
        if not os.path.exists(pic_dirpath):
            os.makedirs(pic_dirpath)
    
        images = convert_from_bytes(open(filepath, 'rb').read())
        # images = convert_from_path(filepath, dpi=200)
        for image in images:
            # 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：

![11a616e4498552050106806e12f0f42c.png][]

一共 46 张图片

#### 8. 添加水印 ####

添加水印后的效果如下：

![31c5af3683b326555b2475de9cdfaeee.png][]

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**][Python_PDF]** **

#### 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：

![9f9514a1564e0c332b99ae123e4b04fa.png][]

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：

import os
    from PyPDF2 import PdfFileReader, PdfFileWriter
    
    def encrypt_pdf(filepath, save_filepath, passwd='xiaoyi'):
        """
        PDF文档加密
        @param filepath:PDF文件路径
        @param save_filepath:加密后的文件保存路径
        @param passwd:密码
        @return:
        """
        pdf_reader = PdfFileReader(filepath)
        pdf_writer = PdfFileWriter()
    
        for page_index in range(pdf_reader.getNumPages()):
            pdf_writer.addPage(pdf_reader.getPage(page_index))
    
        # 添加密码
        pdf_writer.encrypt(passwd)
        with open(save_filepath, "wb") as out:
            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：

def decrypt_pdf(filepath, save_filepath, passwd='xiaoyi'):
        """
        解密 PDF 文档并且保存为未加密的 PDF
        @param filepath:PDF文件路径
        @param save_filepath:解密后的文件保存路径
        @param passwd:密码
        @return:
        """
        pdf_reader = PdfFileReader(filepath)
        # PDF文档解密
        pdf_reader.decrypt('xiaoyi')
    
        pdf_writer = PdfFileWriter()
        for page_index in range(pdf_reader.getNumPages()):
            pdf_writer.addPage(pdf_reader.getPage(page_index))
    
        with open(save_filepath, "wb") as out:
            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。

以上就是 Python 操作 PDF 的全部内容，文中贴出的代码都已经测试过，可正常运行

\- **END -**

本文为转载分享&推荐阅读，若侵权请联系后台删除
    -------------------------------------
    长按识别下方二维码，并关注公众号
    
    1.回复“PY”领取1GB Python数据分析资料
    
    2.回复“BG”领取3GB 名企数据分析报告

[092489ab90c5f8def3dcb08993e27583.png]: /images/20220829/97ffd1f8ee644163b4b1c2d38af45814.png
[c873ba79b329dbc61ebf8f74bb6b5d83.png]: /images/20220829/8d76bcdcf9a849f5909009eaf13c9555.png
[5f3f1bac8a94e05e4484670bada39024.png]: /images/20220829/fa2d6ad8ec6d47998973e7c401663daa.png
[9a153c7eb342d95bd1e68f4f0f3967be.png]: /images/20220829/618e2b7378984029a816bbfb017529a4.png
[f4c6135a48df55194af173b05d3d96b2.png]: /images/20220829/20d206062b03400d9ecdec556bc7f25a.png
[95545788b5c5baee55a2b3e61c461893.png]: /images/20220829/45443348ece94258ae5be7ded194a314.png
[2ac654e56ca0d8e8f39f19fc4b88dac3.png]: /images/20220829/82e6e7ba6ae84e1fb748ac8660758d33.png
[11a616e4498552050106806e12f0f42c.png]: /images/20220829/2741ff8c12974e13803708f0880acdba.png
[31c5af3683b326555b2475de9cdfaeee.png]: /images/20220829/0b3028978d974d139ce7d7b9372829ac.png
[Python_PDF]: http://mp.weixin.qq.com/s?__biz=MzI5MjYwNTU5NQ%3D%3D&chksm=ec7c77efdb0bfef9d176b32f12d3a67c9616ab25a4af32e11518ee95257d6ef226fd72dca519&idx=1&mid=2247494683&scene=21&sn=47ee933a775adb421649187251e75259#wechat_redirect
[9f9514a1564e0c332b99ae123e4b04fa.png]: /images/20220829/9d79cc6e3e984108bde1857c58307a6b.png