Portable Document Format（可移植文檔格式），或者PDF是一種文件格式，可以用于跨操作系統(tǒng)的呈現(xiàn)和文檔交換。盡管PDF最初是由Adobe發(fā)明的，但它現(xiàn)在是由國(guó)際標(biāo)準(zhǔn)化組織（ISO）維護(hù)的開(kāi)放標(biāo)準(zhǔn)。你可以通過(guò)使用PyPDF2包在Python中處理已先存在的PDF。

PyPDF2是一個(gè)純Python包，可用于許多不同類型的PDF操作。

本文將帶你了解如何執(zhí)行以下操作：

從Python中提取PDF中的文檔信息

• 旋轉(zhuǎn)頁(yè)面
• 合并PDF
• 拆分PDF
• 添加水印
• 加密PDF

一、pyPdf，PyPDF2和PyPDF4的歷史

最初的pyPdf軟件包于2005年發(fā)布。pyPdf的最后一個(gè)正式版本是在2010年。大約一年后，一家名為Phasit的公司贊助了一個(gè)名為PyPDF2的pyPdf分支。該代碼編寫為向后與原始代碼兼容，并且用了好多年，效果一直很好，其最后一個(gè)版本是在2016年。

有一個(gè)名為PyPDF3的軟件包簡(jiǎn)短系列版本，然后該項(xiàng)目被重命名為PyPDF4。所有這些項(xiàng)目都完全相同，但pyPdf和PyPDF2 +之間的最大區(qū)別在于后者版本增加了Python 3支持。Python 3的原始pyPdf有一個(gè)不同的Python 3分支，但是這個(gè)分支已經(jīng)多年沒(méi)有維護(hù)了。

雖然最近放棄了PyPDF2，但新的PyPDF4與PyPDF2沒(méi)有完全的向后兼容性。本文中的大多數(shù)示例都可以與PyPDF4完美配合，但也有一些不能，這就是為什么PyPDF4在本文中沒(méi)有更多的特色。隨意用PyPDF4替換PyPDF2的導(dǎo)入，看看它是如何工作的。

二、pdfrw：一個(gè)替代的PDF操作包

Patrick Maupin創(chuàng)建了一個(gè)名為pdfrw的軟件包，它可以完成許多與PyPDF2相同的工作。除了加密的特殊情況外，本文后面提到PyPDF2的所有操作，pdfrw均可以實(shí)現(xiàn)。

pdfrw的最大區(qū)別在于它與ReportLab軟件包集成，因此你可以使用一些或所有預(yù)先存在的PDF構(gòu)建一個(gè)新的PDF。

三、PyPDF2的安裝

如果使用Anaconda而不是常規(guī)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

由于PyPDF2沒(méi)有任何依賴，因此安裝非常快。

四、如何從Python中提取PDF文檔信息

我們可以使用PyPDF2從PDF中提取元數(shù)據(jù)和一些文本，尤其是當(dāng)在預(yù)先存在的PDF文件上執(zhí)行某些類型的自動(dòng)化時(shí)是非常有用的。

以下是當(dāng)前可以提取的數(shù)據(jù)類型：

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

可以在自己的電腦上隨便找一個(gè)PDF文件進(jìn)行嘗試操作。下面是使用該P(yáng)DF編寫一些代碼，并了解如何訪問(wèn)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包導(dǎo)入PdfFileReader。PdfFileReader是一個(gè)具有多種與PDF文件交互的方法的類。在此示例中，我們調(diào)用了.getDocumentInfo()，它將返回DocumentInformation的實(shí)例,包含了我們感興趣的大部分信息。我們還可以在reader對(duì)象上調(diào)用.getNumPages()，讓它返回文檔中的頁(yè)數(shù)。

information這個(gè)變量具有多個(gè)實(shí)例屬性，可以使用這些屬性從文檔中獲取所需的其余元數(shù)據(jù)。我們可以打印出該信息并將其返回以備將來(lái)使用。

雖然PyPDF2具有.extractText()，可以在其頁(yè)面對(duì)象上使用提取文本（本例中未顯示），但它的效果不是很好。有些PDF會(huì)返回文本，有些會(huì)返回空字符串。如果要從PDF中提取文本，建議應(yīng)該看一下PDFMiner項(xiàng)目。PDFMiner更加強(qiáng)大，專門用于從PDF中提取文本。

五、如何旋轉(zhuǎn)頁(yè)面？

有時(shí)候PDF是橫向模式而不是縱向模式，甚至是顛倒的。當(dāng)有人掃描文檔為PDF或電子郵件時(shí)，很可能會(huì)發(fā)生這種情況。我們可以打印出文檔并閱讀紙質(zhì)版本，也可以使用Python的強(qiáng)大功能來(lái)旋轉(zhuǎn)有問(wèn)題的頁(yè)面。

下面看一下如何使用PyPDF2旋轉(zhuǎn)文章的一些頁(yè)面：

from PyPDF2 import PdfFileReader, PdfFileWriter
def rotate_pages(pdf_path):
 pdf_writer = PdfFileWriter()
 pdf_reader = PdfFileReader(path)
 # 順時(shí)針旋轉(zhuǎn)90度
 page_1 = pdf_reader.getPage(0).rotateClockwise(90)
 pdf_writer.addPage(page_1)
 # 逆時(shí)針旋轉(zhuǎn)90度
 page_2 = pdf_reader.getPage(1).rotateCounterClockwise(90)
 pdf_writer.addPage(page_2)
 # 在正常方向上添加一頁(yè)
 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，還導(dǎo)入了pdfileWriter，因?yàn)槲覀冃枰帉懸粋€(gè)新的pdf。rotate_pages()獲取要修改的PDF的路徑。在這個(gè)函數(shù)中，需要?jiǎng)?chuàng)建一個(gè)可以命名為pdf-writer的writer對(duì)象和一個(gè)名為pdf-reader的reader對(duì)象。

接下來(lái)，可以使用.get page()獲取所需的頁(yè)面。上面開(kāi)始輸入了第0頁(yè)，也就是第一頁(yè)，調(diào)用page對(duì)象的.rotateClockwise()順時(shí)針旋轉(zhuǎn)方法并輸入90。然后同樣地，對(duì)于第二頁(yè)，調(diào)用.rotateCounterLockwise()逆時(shí)針旋轉(zhuǎn)并輸入90。

每次調(diào)用Rotation旋轉(zhuǎn)方法后，都會(huì)調(diào)用.addPage()，這將向writer對(duì)象添加頁(yè)面的旋轉(zhuǎn)版本。最后一頁(yè)是第3頁(yè)，沒(méi)有對(duì)其進(jìn)行任何旋轉(zhuǎn)。最后，使用.write()把所有新頁(yè)寫入新的PDF。

六、如何合并PDF？

在許多情況下，我們希望將兩個(gè)或多個(gè)PDF合并到一個(gè)PDF中。例如，現(xiàn)在可能有一個(gè)標(biāo)準(zhǔn)的封面，需要轉(zhuǎn)到許多類型的報(bào)告中。這時(shí)候就可以使用python來(lái)幫助完成這類工作。

下面是實(shí)現(xiàn)的代碼，完成PDF合并的操作：

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(yè)添加到writer對(duì)象
   pdf_writer.addPage(pdf_reader.getPage(page))
 # 寫入合并的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(gè)要合并到一起的pdf列表時(shí)，可以直接使用merge_pdf函數(shù)完成。此函數(shù)采用了輸入路徑和輸出路徑作為參數(shù)。

首先遍歷輸入的paths，并為每個(gè)輸入創(chuàng)建一個(gè)PDF閱讀對(duì)象。然后遍歷PDF文件中的所有頁(yè)面，并使用.addpage()將這些頁(yè)面寫入writer對(duì)象。當(dāng)完成對(duì)列表中所有PDF的所有頁(yè)面的寫入后，將在末尾寫入新的結(jié)果中。

如果不想合并每個(gè)PDF的所有頁(yè)面，可以通過(guò)添加一系列要添加的頁(yè)面來(lái)稍微增強(qiáng)這個(gè)腳本。挑戰(zhàn)一點(diǎn)的話，也可以使用Python的argparse模塊為這個(gè)函數(shù)創(chuàng)建一個(gè)命令行接口。

七、如何拆分PDF?

有時(shí)可能需要將PDF拆分為多個(gè)PDF，對(duì)于包含大量掃描內(nèi)容的PDF來(lái)說(shuō)尤其重要。以下是如何使用PyPDF2將PDF拆分為多個(gè)文件：

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(gè)函數(shù)中再次創(chuàng)建了PDF的reaer對(duì)象，并對(duì)其所讀取的頁(yè)面進(jìn)行遍歷。對(duì)于PDF中的每個(gè)頁(yè)面，創(chuàng)建一個(gè)新的PDF的writer實(shí)例并向其添加單個(gè)頁(yè)面。然后，將該頁(yè)面寫入一個(gè)唯一命名的文件。腳本運(yùn)行完畢后，就可以將原始PDF的每個(gè)頁(yè)面拆分為單獨(dú)的PDF。

八、如何添加水?。?/strong>

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(yè)面添加水印
 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')

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')