如何使用Python玩轉PDF各種騷操作？

（點選上方快速關註並設定為星標，一起學Python）

來源：Python資料科學    連結：

https://mp.weixin.qq.com/s/pSO3wVgjaHOvzXG4k8KQOw

Portable Document Format（可移植檔案格式），或者PDF是一種檔案格式，可以用於跨作業系統的呈現和檔案交換。儘管PDF最初是由Adobe發明的，但它現在是由國際標準化組織（ISO）維護的開放標準。你可以透過使用PyPDF2包在Python中處理已先存在的PDF。

 

PyPDF2是一個純Python包，可用於許多不同型別的PDF操作。

本文將帶你瞭解如何執行以下操作：

 

• 從Python中提取PDF中的檔案資訊 

• 旋轉頁面 

• 合併PDF 

• 拆分PDF 

• 新增水印 

• 加密PDF

pyPdf，PyPDF2和PyPDF4的歷史

 

最初的pyPdf軟體包於2005年釋出。pyPdf的最後一個正式版本是在2010年。大約一年後，一家名為Phasit的公司贊助了一個名為PyPDF2的pyPdf分支。該程式碼編寫為向後與原始程式碼相容，並且用了好多年，效果一直很好，其最後一個版本是在2016年。

 

有一個名為PyPDF3的軟體包簡短系列版本，然後該專案被重新命名為PyPDF4。所有這些專案都完全相同，但pyPdf和PyPDF2 +之間的最大區別在於後者版本增加了Python 3支援。Python 3的原始pyPdf有一個不同的Python 3分支，但是這個分支已經多年沒有維護了。

 

雖然最近放棄了PyPDF2，但新的PyPDF4與PyPDF2沒有完全的向後相容性。本文中的大多數示例都可以與PyPDF4完美配合，但也有一些不能，這就是為什麼PyPDF4在本文中沒有更多的特色。隨意用PyPDF4替換PyPDF2的匯入，看看它是如何工作的。

 

 

pdfrw：一個替代的PDF操作包

 

Patrick Maupin建立了一個名為pdfrw的軟體包，它可以完成許多與PyPDF2相同的工作。除了加密的特殊情況外，本文後面提到PyPDF2的所有操作，pdfrw均可以實現。

 

pdfrw的最大區別在於它與ReportLab軟體包整合，因此你可以使用一些或所有預先存在的PDF構建一個新的PDF。

PyPDF2的安裝

 

如果使用Anaconda而不是常規Python，可以使用pip或conda安裝PyPDF2。以下是使用pip安裝PyPDF2的方法：

$ pip install pypdf2

由於PyPDF2沒有任何依賴，因此安裝非常快。

 

如何從Python中提取PDF檔案資訊

 

我們可以使用PyPDF2從PDF中提取元資料和一些文字，尤其是當在預先存在的PDF檔案上執行某些型別的自動化時是非常有用的。

 

以下是當前可以提取的資料型別：

 

• Author
• Creator
• Producer
• Subject
• Title
• Number of page

 

可以在自己的電腦上隨便找一個PDF檔案進行嘗試操作。下麵是使用該PDF編寫一些程式碼，並瞭解如何訪問這些屬性：

from PyPDF2 import PdfFileReader

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

    txt = f"""
    Information about {pdf_path}:

    Author: {information.author}
    Creator: {information.creator}
    Producer: {information.producer}
    Subject: {information.subject}
    Title: {information.title}
    Number of pages: {number_of_pages}
    """

    print(txt)
    return information

if __name__ == '__main__':
    path = 'xxxx.pdf'
    extract_information(path)

首先從PyPDF2包匯入PdfFileReader。PdfFileReader是一個具有多種與PDF檔案互動的方法的類。在此示例中，我們呼叫了.getDocumentInfo()，它將傳回DocumentInformation的實體,包含了我們感興趣的大部分資訊。我們還可以在reader物件上呼叫.getNumPages()，讓它傳迴檔案中的頁數。

 

information這個變數具有多個實體屬性，可以使用這些屬性從檔案中獲取所需的其餘元資料。我們可以打印出該資訊並將其傳回以備將來使用。

 

雖然PyPDF2具有.extractText()，可以在其頁面物件上使用提取文字（本例中未顯示），但它的效果不是很好。有些PDF會傳迴文字，有些會傳回空字串。如果要從PDF中提取文字，建議應該看一下PDFMiner專案。PDFMiner更加強大，專門用於從PDF中提取文字。

 

 

如何旋轉頁面？

 

有時候PDF是橫向樣式而不是縱向樣式，甚至是顛倒的。當有人掃描檔案為PDF或電子郵件時，很可能會發生這種情況。我們可以打印出檔案並閱讀紙質版本，也可以使用Python的強大功能來旋轉有問題的頁面。

 

下麵看一下如何使用PyPDF2旋轉文章的一些頁面：

from PyPDF2 import PdfFileReader, PdfFileWriter

def rotate_pages(pdf_path):
    pdf_writer = PdfFileWriter()
    pdf_reader = PdfFileReader(path)
    # 順時針旋轉90度
    page_1 = pdf_reader.getPage(0).rotateClockwise(90)
    pdf_writer.addPage(page_1)
    # 逆時針旋轉90度
    page_2 = pdf_reader.getPage(1).rotateCounterClockwise(90)
    pdf_writer.addPage(page_2)
    # 在正常方向上新增一頁
    pdf_writer.addPage(pdf_reader.getPage(2))

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

if __name__ == '__main__':
    path = '新路徑.pdf'
    rotate_pages(path)

 

上面除了pdfileReader之外，還匯入了pdfileWriter，因為我們需要編寫一個新的pdf。rotate_pages()獲取要修改的PDF的路徑。在這個函式中，需要建立一個可以命名為pdf-writer的writer物件和一個名為pdf-reader的reader物件。

 

接下來，可以使用.get page()獲取所需的頁面。上面開始輸入了第0頁，也就是第一頁，呼叫page物件的.rotateClockwise()順時針旋轉方法並輸入90。然後同樣地，對於第二頁，呼叫.rotateCounterLockwise()逆時針旋轉並輸入90。

 

每次呼叫Rotation旋轉方法後，都會呼叫.addPage()，這將向writer物件新增頁面的旋轉版本。最後一頁是第3頁，沒有對其進行任何旋轉。最後，使用.write()把所有新頁寫入新的PDF。

 

 

如何合併PDF？

 

在許多情況下，我們希望將兩個或多個PDF合併到一個PDF中。例如，現在可能有一個標準的封面，需要轉到許多型別的報告中。這時候就可以使用python來幫助完成這類工作。

 

下麵是實現的程式碼，完成PDF合併的操作：

from PyPDF2 import PdfFileReader, PdfFileWriter

def merge_pdfs(paths, output):
    pdf_writer = PdfFileWriter()

    for path in paths:
        pdf_reader = PdfFileReader(path)
        for page in range(pdf_reader.getNumPages()):
            # 將每頁新增到writer物件
            pdf_writer.addPage(pdf_reader.getPage(page))

    # 寫入合併的pdf
    with open(output, 'wb') as out:
        pdf_writer.write(out)

if __name__ == '__main__':
    paths = ['document1.pdf', 'document2.pdf']
    merge_pdfs(paths, output='merged.pdf')

 

假如有一個要合併到一起的pdf串列時，可以直接使用merge_pdf函式完成。此函式採用了輸入路徑和輸出路徑作為引數。

 

首先遍歷輸入的paths，併為每個輸入建立一個PDF閱讀物件。然後遍歷PDF檔案中的所有頁面，並使用.addpage()將這些頁面寫入writer物件。當完成對串列中所有PDF的所有頁面的寫入後，將在末尾寫入新的結果中。

 

如果不想合併每個PDF的所有頁面，可以透過新增一系列要新增的頁面來稍微增強這個指令碼。挑戰一點的話，也可以使用Python的argparse模組為這個函式建立一個命令列介面。

 

 

如何拆分PDF?

 

有時可能需要將PDF拆分為多個PDF，對於包含大量掃描內容的PDF來說尤其重要。以下是如何使用PyPDF2將PDF拆分為多個檔案：

 

from PyPDF2 import PdfFileReader, PdfFileWriter

def split(path, name_of_split):
    pdf = PdfFileReader(path)
    for page in range(pdf.getNumPages()):
        pdf_writer = PdfFileWriter()
        pdf_writer.addPage(pdf.getPage(page))

        output = f'{name_of_split}{page}.pdf'
        with open(output, 'wb') as output_pdf:
            pdf_writer.write(output_pdf)

if __name__ == '__main__':
    path = 'xxx.pdf'
    split(path, 'jupyter_page')

 

這個函式中再次建立了PDF的reaer物件，並對其所讀取的頁面進行遍歷。對於PDF中的每個頁面，建立一個新的PDF的writer實體並向其新增單個頁面。然後，將該頁面寫入一個唯一命名的檔案。指令碼執行完畢後，就可以將原始PDF的每個頁面拆分為單獨的PDF。

 

 

如何新增水印？

 

水印是紙質或者電子檔案上的影象或圖案，一些水印只能在特殊照明條件下才能看到。水印的重要性在於它可以保護你的智慧財產權，例如影象或PDF。

 

我們可以使用Python和PyPDF2為檔案新增水印，而且是擁有僅包含水印影象或文字的PDF。下麵是向PDF新增水印方法：

 

from PyPDF2 import PdfFileWriter, PdfFileReader

def create_watermark(input_pdf, output, watermark):
    watermark_obj = PdfFileReader(watermark)
    watermark_page = watermark_obj.getPage(0)

    pdf_reader = PdfFileReader(input_pdf)
    pdf_writer = PdfFileWriter()

    # 給所有頁面新增水印
    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)

if __name__ == '__main__':
    create_watermark(
        input_pdf='Jupyter_Notebook_An_Introduction.pdf',
          output='watermarked_notebook.pdf',
        watermark='watermark.pdf')

上面create_watermark有三個引數：

 

• input_pdf：要加水印的PDF檔案路徑

• output：要儲存PDF的水印版本的路徑

• watermark：包含水印影象或文字的PDF

 

在程式碼中，開啟水印PDF並從檔案中抓取第一頁，因為這是水印應該駐留的位置。然後使用input_pdf和通用pdf_writer物件建立PDF的writer物件，以寫出帶水印的PDF。

 

下一步是遍歷input_pdf中的頁面，然後呼叫.mergePage()並以用上面讀取的水印物件watermark_page為引數，這樣會將watermark_page改寫在當前頁面的頂部，然後再將新合併的頁面新增到pdf_writer物件中。遍歷完成後，最後將新加水印的PDF寫入磁碟。

 

 

如何加密PDF？

PyPDF2目前僅支援將使用者密碼和所有者密碼新增到預先存在的PDF。在PDF版本中，所有者密碼會提供PDF的管理員許可權，並允許設定檔案的許可權，而使用者密碼只允許開啟檔案。

實際上，PyPDF2是不允許設定檔案的任何許可權的，即使它允許設定所有者密碼的情況下。但無論如何，這是可以加密的方式，也將固有地加密PDF：

from PyPDF2 import PdfFileWriter, PdfFileReader

def add_encryption(input_pdf, output_pdf, password):
    pdf_writer = PdfFileWriter()
    pdf_reader = PdfFileReader(input_pdf)

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

    pdf_writer.encrypt(user_pwd=password, owner_pwd=None,
                       use_128bit=True)

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

if __name__ == '__main__':
    add_encryption(input_pdf='reportlab-sample.pdf',
                 output_pdf='reportlab-encrypted.pdf',
                 password='twofish')

add_encryption以輸入輸出PDF路徑和要新增到PDF的密碼為引數。由於需要加密整個輸入PDF，因此需要遍歷其所有頁面並將其新增到writer編寫器。最後一步是呼叫.encrypt()，以使用者密碼，所有者密碼以及是否應該新增128位加密為引數。預設情況下，要啟用128位加密。如果將其設定為False，則將應用40位加密。

結論

 

PyPDF2包非常有用，可以使用PyPDF2自動執行指令碼完成PDF檔案的批次操作。本文介紹瞭如何從PDF中提取元資料，旋轉頁面，合併和拆分PDF，新增水印，以及新增加密的操作。

同時，還要關註較新的PyPDF4包，因為它很快就會取代PyPDF2。也可以看看pdfrw包，它也可以執行許多與PyPDF2相同的操作。