Python實(shí)現(xiàn)PyPDF2處理PDF文件的方法示例
實(shí)際應(yīng)用中,可能會(huì)涉及處理 pdf 文件,PyPDF2 就是這樣一個(gè)庫(kù),使用它可以輕松的處理 pdf 文件,它提供了讀,割,合并,文件轉(zhuǎn)換等多種操作。
文檔地址:http://pythonhosted.org/PyPDF2/
PyPDF2 安裝
PyCharm 安裝:File -> Default Settings -> Project Interpreter
PdfFileReader
構(gòu)造方法:
PyPDF2.PdfFileReader(stream,strict = True,warndest = None,overwriteWarnings = True)
初始化一個(gè) PdfFileReader 對(duì)象,此操作可能需要一些時(shí)間,因?yàn)?PDF 流的交叉引用表被讀入內(nèi)存。
參數(shù):
- stream:*File 對(duì)象或支持與 File 對(duì)象類似的標(biāo)準(zhǔn)讀取和查找方法的對(duì)象,也可以是表示 PDF 文件路徑的字符串。
- *strict(bool): 確定是否應(yīng)該警告用戶所用的問題,也導(dǎo)致一些可糾正的問題是致命的,默認(rèn)是 True
- warndest : 記錄警告的目標(biāo)(默認(rèn)是 sys.stderr)
- overwriteWarnings(bool):確定是否 warnings.py 用自定義實(shí)現(xiàn)覆蓋 Python 模塊(默認(rèn)為 True)
PdfFileReader 對(duì)象的屬性和方法
屬性和方法 | 描述 |
---|---|
getDestinationPageNumber(destination) | 檢索給定目標(biāo)對(duì)象的頁(yè)碼 |
getDocumentInfo() | 檢索 PDF 文件的文檔信息字典 |
getFields(tree = None,retval = None,fileObj= None) | 如果此 PDF 包含交互式表單字段,則提取字段數(shù)據(jù), |
getFormTextFields() | 從文檔中檢索帶有文本數(shù)據(jù)(輸入,下拉列表)的表單域 |
getNameDestinations(tree = None,retval= None) | 檢索文檔中的指定目標(biāo) |
getNumPages() | 計(jì)算此 PDF 文件中的頁(yè)數(shù) |
getOutlines(node = None,outline = None,) | 檢索文檔中出現(xiàn)的文檔大綱 |
getPage(pageNumber) | 從這個(gè) PDF 文件中檢索指定編號(hào)的頁(yè)面 |
getPageLayout() | 獲取頁(yè)面布局 |
getPageMode() | 獲取頁(yè)面模式 |
getPageNumber(pageObject) | 檢索給定 pageObject 處于的頁(yè)碼 |
getXmpMetadata() | 從 PDF 文檔根目錄中檢索 XMP 數(shù)據(jù) |
isEncrypted | 顯示 PDF 文件是否加密的只讀布爾屬性 |
namedDestinations | 訪問該getNamedDestinations() 函數(shù)的只讀屬性 |
PDF 讀取操作:
# encoding:utf-8 from PyPDF2 import PdfFileReader, PdfFileWriter readFile = 'C:/Users/Administrator/Desktop/RxJava 完全解析.pdf' # 獲取 PdfFileReader 對(duì)象 pdfFileReader = PdfFileReader(readFile) # 或者這個(gè)方式:pdfFileReader = PdfFileReader(open(readFile, 'rb')) # 獲取 PDF 文件的文檔信息 documentInfo = pdfFileReader.getDocumentInfo() print('documentInfo = %s' % documentInfo) # 獲取頁(yè)面布局 pageLayout = pdfFileReader.getPageLayout() print('pageLayout = %s ' % pageLayout) # 獲取頁(yè)模式 pageMode = pdfFileReader.getPageMode() print('pageMode = %s' % pageMode) xmpMetadata = pdfFileReader.getXmpMetadata() print('xmpMetadata = %s ' % xmpMetadata) # 獲取 pdf 文件頁(yè)數(shù) pageCount = pdfFileReader.getNumPages() print('pageCount = %s' % pageCount) for index in range(0, pageCount): # 返回指定頁(yè)編號(hào)的 pageObject pageObj = pdfFileReader.getPage(index) print('index = %d , pageObj = %s' % (index, type(pageObj))) # <class 'PyPDF2.pdf.PageObject'> # 獲取 pageObject 在 PDF 文檔中處于的頁(yè)碼 pageNumber = pdfFileReader.getPageNumber(pageObj) print('pageNumber = %s ' % pageNumber)
輸出結(jié)果:
documentInfo = {'/Title': IndirectObject(157, 0), '/Producer': IndirectObject(158, 0), '/Creator': IndirectObject(159, 0), '/CreationDate': IndirectObject(160, 0), '/ModDate': IndirectObject(160, 0), '/Keywords': IndirectObject(161, 0), '/AAPL:Keywords': IndirectObject(162, 0)}
pageLayout = None
pageMode = None
xmpMetadata = None
pageCount = 3
index = 0 , pageObj = <class 'PyPDF2.pdf.PageObject'>
pageNumber = 0
index = 1 , pageObj = <class 'PyPDF2.pdf.PageObject'>
pageNumber = 1
index = 2 , pageObj = <class 'PyPDF2.pdf.PageObject'>
pageNumber = 2
PdfFileWriter
這個(gè)類支持 PDF 文件,給出其他類生成的頁(yè)面。
屬性和方法 | 描述 |
---|---|
addAttachment(fname,fdata) | 在 PDF 中嵌入文件 |
addBlankPage(width= None,height=None) | 追加一個(gè)空白頁(yè)面到這個(gè) PDF 文件并返回它 |
addBookmark(title,pagenum,parent=None, color=None,bold=False,italic=False,fit='/fit,*args') |
|
addJS(javascript) | 添加將在打開此 PDF 是啟動(dòng)的 javascript |
addLink(pagenum,pagedest,rect,border=None,fit='/fit',*args) | 從一個(gè)矩形區(qū)域添加一個(gè)內(nèi)部鏈接到指定的頁(yè)面 |
addPage(page) | 添加一個(gè)頁(yè)面到這個(gè)PDF 文件,該頁(yè)面通常從 PdfFileReader 實(shí)例獲取 |
getNumpages() | 頁(yè)數(shù) |
getPage(pageNumber) | 從這個(gè) PDF 文件中檢索一個(gè)編號(hào)的頁(yè)面 |
insertBlankPage(width=None,height=None,index=0) | 插入一個(gè)空白頁(yè)面到這個(gè) PDF 文件并返回它,如果沒有指定頁(yè)面大小,就使用最后一頁(yè)的大小 |
insertPage(page,index=0) | 在這個(gè) PDF 文件中插入一個(gè)頁(yè)面,該頁(yè)面通常從 PdfFileReader 實(shí)例獲取 |
removeLinks() | 從次數(shù)出中刪除連接盒注釋 |
removeText(ignoreByteStringObject = False) | 從這個(gè)輸出中刪除圖像 |
write(stream) | 將添加到此對(duì)象的頁(yè)面集合寫入 PDF 文件 |
PDF 寫入操作:
def addBlankpage(): readFile = 'C:/Users/Administrator/Desktop/RxJava 完全解析.pdf' outFile = 'C:/Users/Administrator/Desktop/copy.pdf' pdfFileWriter = PdfFileWriter() # 獲取 PdfFileReader 對(duì)象 pdfFileReader = PdfFileReader(readFile) # 或者這個(gè)方式:pdfFileReader = PdfFileReader(open(readFile, 'rb')) numPages = pdfFileReader.getNumPages() for index in range(0, numPages): pageObj = pdfFileReader.getPage(index) pdfFileWriter.addPage(pageObj) # 根據(jù)每頁(yè)返回的 PageObject,寫入到文件 pdfFileWriter.write(open(outFile, 'wb')) pdfFileWriter.addBlankPage() # 在文件的最后一頁(yè)寫入一個(gè)空白頁(yè),保存至文件中 pdfFileWriter.write(open(outFile,'wb'))
結(jié)果是:在寫入的 copy.pdf 文檔的最后最后一頁(yè)寫入了一個(gè)空白頁(yè)。
分割文檔(取第五頁(yè)之后的頁(yè)面)
def splitPdf(): readFile = 'C:/Users/Administrator/Desktop/RxJava 完全解析.pdf' outFile = 'C:/Users/Administrator/Desktop/copy.pdf' pdfFileWriter = PdfFileWriter() # 獲取 PdfFileReader 對(duì)象 pdfFileReader = PdfFileReader(readFile) # 或者這個(gè)方式:pdfFileReader = PdfFileReader(open(readFile, 'rb')) # 文檔總頁(yè)數(shù) numPages = pdfFileReader.getNumPages() if numPages > 5: # 從第五頁(yè)之后的頁(yè)面,輸出到一個(gè)新的文件中,即分割文檔 for index in range(5, numPages): pageObj = pdfFileReader.getPage(index) pdfFileWriter.addPage(pageObj) # 添加完每頁(yè),再一起保存至文件中 pdfFileWriter.write(open(outFile, 'wb'))
合并文檔
def mergePdf(inFileList, outFile): ''' 合并文檔 :param inFileList: 要合并的文檔的 list :param outFile: 合并后的輸出文件 :return: ''' pdfFileWriter = PdfFileWriter() for inFile in inFileList: # 依次循環(huán)打開要合并文件 pdfReader = PdfFileReader(open(inFile, 'rb')) numPages = pdfReader.getNumPages() for index in range(0, numPages): pageObj = pdfReader.getPage(index) pdfFileWriter.addPage(pageObj) # 最后,統(tǒng)一寫入到輸出文件中 pdfFileWriter.write(open(outFile, 'wb'))
PageObject
PageObject(pdf=None,indirectRef=None)
此類表示 PDF 文件中的單個(gè)頁(yè)面,通常這個(gè)對(duì)象是通過訪問 PdfFileReader 對(duì)象的 getPage() 方法來(lái)得到的,也可以使用 createBlankPage() 靜態(tài)方法創(chuàng)建一個(gè)空的頁(yè)面。
參數(shù):
- pdf : 頁(yè)面所屬的 PDF 文件。
- indirectRef:將源對(duì)象的原始間接引用存儲(chǔ)在其源 PDF 中。
PageObject 對(duì)象的屬性和方法
屬性或方法 | 描述 |
---|---|
static createBlankPage(pdf=None,width=None,height=None) | 返回一個(gè)新的空白頁(yè)面 |
extractText() | 找到所有文本繪圖命令,按照他們?cè)趦?nèi)容流中提供的順序,并提取文本 |
getContents() | 訪問頁(yè)面內(nèi)容,返回 Contents 對(duì)象或 None |
rotateClockwise(angle) | 順時(shí)針旋轉(zhuǎn) 90 度 |
scale(sx,sy) | 通過向其內(nèi)容應(yīng)用轉(zhuǎn)換矩陣并更新頁(yè)面大小 |
粗略讀取 PDF 文本內(nèi)容
def getPdfContent(filename): pdf = PdfFileReader(open(filename, "rb")) content = "" for i in range(0, pdf.getNumPages()): pageObj = pdf.getPage(i) extractedText = pageObj.extractText() content += extractedText + "\n" # return content.encode("ascii", "ignore") return content
以上就是本文的全部?jī)?nèi)容,希望對(duì)大家的學(xué)習(xí)有所幫助,也希望大家多多支持腳本之家。
相關(guān)文章
Python實(shí)現(xiàn)讀取及寫入csv文件的方法示例
這篇文章主要介紹了Python實(shí)現(xiàn)讀取及寫入csv文件的方法,涉及Python針對(duì)csv格式文件的讀取、遍歷、寫入等相關(guān)操作技巧,需要的朋友可以參考下2018-01-01Keras Convolution1D與Convolution2D區(qū)別說明
這篇文章主要介紹了Keras Convolution1D與Convolution2D區(qū)別說明,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過來(lái)看看吧2020-05-05Python進(jìn)行WPS自動(dòng)化的詳細(xì)指南
由于 WPS 與 Microsoft Office 在接口上有一定的兼容性,可通過類似的技術(shù)實(shí)現(xiàn)自動(dòng)化操作,但需注意 WPS 特有的 API 或限制,所以本文給大家介紹了Python進(jìn)行WPS自動(dòng)化的詳操作指南,需要的朋友可以參考下2025-03-03詳解Python如何使用PyBuilder從零開始構(gòu)建項(xiàng)目
PyBuilder是一個(gè)用于構(gòu)建Python項(xiàng)目的工具,它提供了一種簡(jiǎn)單而強(qiáng)大的方式來(lái)管理項(xiàng)目的依賴、運(yùn)行測(cè)試、生成文檔等任務(wù),下面就跟隨小編一起來(lái)學(xué)習(xí)一下如何使用PyBuilder構(gòu)建項(xiàng)目吧2024-03-03python tkinter實(shí)現(xiàn)界面切換的示例代碼
今天小編就為大家分享一篇python tkinter實(shí)現(xiàn)界面切換的示例代碼,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過來(lái)看看吧2019-06-06python re庫(kù)的正則表達(dá)式入門學(xué)習(xí)教程
這篇文章主要給大家介紹了關(guān)于python re庫(kù)的正則表達(dá)式的相關(guān)資料,文中通過示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者使用python具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2019-03-03