腳本之家服務器常用軟件

快捷導航

Python中pypdf庫處理PDF文件的詳細說明和常見用法

更新時間：2025年05月19日 09:27:46 作者：彬彬俠

這篇文章主要介紹了Python中pypdf庫處理PDF文件的詳細說明和常見用法,?pypdf是Python庫,用于處理PDF文件,支持讀取、修改、合并、拆分、加密等操作,文中通過代碼介紹的非常詳細,需要的朋友可以參考下

前言

pypdf 是一個純 Python 庫，用于處理 PDF 文件。它支持讀取、修改、合并、拆分、加密和提取 PDF 文件的文本、元數(shù)據(jù)及頁面內容。pypdf 是 PyPDF2 的繼任者（2022 年更名并重構），提供了更現(xiàn)代化的 API 和更高的性能，適合處理簡單的 PDF 操作任務。

以下是對 pypdf 庫的詳細說明和常見用法。

1. pypdf 庫的作用

讀取 PDF：提取文本、元數(shù)據(jù)、頁面數(shù)量等。
修改 PDF：合并、拆分、旋轉、裁剪頁面。
創(chuàng)建 PDF：生成新 PDF 或添加內容（如文本、水印）。
加密/解密：為 PDF 設置密碼或解鎖受保護的 PDF。
跨平臺：純 Python 實現(xiàn)，無需外部依賴（如 Adobe Acrobat）。

2. 安裝與環(huán)境要求

Python 版本：支持 Python 3.6+（推薦 3.8+）。
依賴：無強制外部依賴，可選依賴：
- Pillow：處理 PDF 中的圖像。
- pycryptodome：支持加密/解密。
安裝命令：
```
pip install pypdf
```

可選擴展：

pip install pypdf[image]  # 包含 Pillow
pip install pypdf[crypto]  # 包含 pycryptodome

驗證安裝：

import pypdf
print(pypdf.__version__)  # 示例輸出: 5.0.1

3. 核心功能與用法

pypdf 的核心類包括 PdfReader（讀取 PDF）、PdfWriter（修改/創(chuàng)建 PDF）和 PdfMerger（合并 PDF）。以下是主要功能和示例。

3.1 讀取 PDF

使用 PdfReader 讀取 PDF 文件，提取元數(shù)據(jù)、頁面數(shù)和文本。

from pypdf import PdfReader

# 打開 PDF 文件
reader = PdfReader("example.pdf")

# 獲取元數(shù)據(jù)
metadata = reader.metadata
print(metadata)  # 輸出: {'/Title': 'Example PDF', '/Author': 'John Doe', ...}

# 獲取頁面數(shù)
print(len(reader.pages))  # 輸出頁面數(shù)

# 提取第一頁文本
page = reader.pages[0]
print(page.extract_text())

說明：

reader.metadata 返回 PDF 元數(shù)據(jù)（如標題、作者）。
reader.pages 是一個頁面列表，pages[i] 返回第 i 頁（從 0 開始）。
page.extract_text() 提取頁面文本（效果依賴 PDF 結構，可能不完整）。

3.2 合并 PDF

使用 PdfMerger 或 PdfWriter 合并多個 PDF 文件。

from pypdf import PdfMerger

# 創(chuàng)建合并器
merger = PdfMerger()

# 添加 PDF 文件
merger.append("file1.pdf")
merger.append("file2.pdf")

# 保存合并結果
merger.write("merged.pdf")
merger.close()

替代方法（使用 PdfWriter）：

from pypdf import PdfReader, PdfWriter

writer = PdfWriter()
for pdf in ["file1.pdf", "file2.pdf"]:
    reader = PdfReader(pdf)
    for page in reader.pages:
        writer.add_page(page)

with open("merged.pdf", "wb") as f:
    writer.write(f)

說明：

PdfMerger 更適合簡單合并任務。
PdfWriter 提供更靈活的控制。

3.3 拆分 PDF

將 PDF 拆分為單個頁面或指定范圍。

from pypdf import PdfReader, PdfWriter

reader = PdfReader("example.pdf")

# 拆分每一頁為單獨 PDF
for i, page in enumerate(reader.pages):
    writer = PdfWriter()
    writer.add_page(page)
    with open(f"page_{i+1}.pdf", "wb") as f:
        writer.write(f)

說明：

每個頁面保存為單獨文件。
可通過索引選擇特定頁面范圍。

3.4 旋轉頁面

旋轉 PDF 的頁面。

from pypdf import PdfReader, PdfWriter

reader = PdfReader("example.pdf")
writer = PdfWriter()

# 旋轉第一頁 90 度
page = reader.pages[0]
page.rotate(90)
writer.add_page(page)

# 保存結果
with open("rotated.pdf", "wb") as f:
    writer.write(f)

說明：

page.rotate(angle) 接受角度（順時針，90 的倍數(shù)）。
旋轉后的頁面添加到新 PDF。

3.5 加密/解密 PDF

為 PDF 設置密碼或解鎖受保護的 PDF。

from pypdf import PdfReader, PdfWriter

# 加密 PDF
reader = PdfReader("example.pdf")
writer = PdfWriter()

for page in reader.pages:
    writer.add_page(page)

writer.encrypt(user_password="my_password", algorithm="AES-256")
with open("encrypted.pdf", "wb") as f:
    writer.write(f)

# 解密 PDF
reader = PdfReader("encrypted.pdf")
if reader.is_encrypted:
    reader.decrypt("my_password")
print(reader.pages[0].extract_text())

說明：

encrypt 支持 RC4-128 和 AES-256 算法。
decrypt 需提供正確密碼。

3.6 提取圖像

從 PDF 中提取圖像（需安裝 Pillow）。

from pypdf import PdfReader

reader = PdfReader("example.pdf")
page = reader.pages[0]
for img in page.images:
    with open(f"image_{img.name}", "wb") as f:
        f.write(img.data)

說明：

page.images 返回頁面中的圖像對象。
img.data 是圖像的二進制數(shù)據(jù)。

4. 性能與特點

高效性：純 Python 實現(xiàn)，啟動快，無需外部工具。
內存效率：逐頁處理，適合大型 PDF。
靈活性：支持頁面級操作和元數(shù)據(jù)修改。
局限性：
- 文本提取效果依賴 PDF 結構，復雜格式（如掃描文檔）可能失敗。
- 不支持直接編輯 PDF 內容（如修改文本），需結合其他庫（如 reportlab）。

5. 實際應用場景

文檔處理：合并報告、拆分章節(jié)、提取元數(shù)據(jù)。
自動化工作流：批量處理 PDF（如添加水印、加密）。
數(shù)據(jù)提取：從 PDF 提取文本或圖像用于分析。
電子書管理：調整頁面順序或裁剪邊距。
安全管理：為敏感文檔設置密碼。

示例（提取所有頁面文本）：

from pypdf import PdfReader

reader = PdfReader("example.pdf")
text = ""
for page in reader.pages:
    text += page.extract_text() or ""
print(text[:200])  # 輸出前 200 字符

6. 注意事項

文本提取：
- 掃描或圖像型 PDF 需先用 OCR 工具（如 pytesseract）處理。
- 復雜布局可能導致文本順序錯誤。
加密限制：
- 某些高強度加密可能需要 pycryptodome。
- 解密需正確密碼，否則拋出異常。
文件路徑：
- 確保文件路徑正確，建議使用 pathlib 或絕對路徑。
版本兼容性：
- pypdf（≥3.0.0）與 PyPDF2 不完全兼容，舊代碼需調整。
- 最新版本（5.0.1，截至 2025）優(yōu)化了性能和 API。
錯誤處理：
- 處理 FileNotFoundError（文件不存在）。
- 處理 PdfReadError（文件損壞或加密）。

7. 綜合示例

以下是一個綜合示例，展示讀取、合并、加密和提取文本：

from pypdf import PdfReader, PdfWriter, PdfMerger

# 讀取 PDF 元數(shù)據(jù)和文本
reader = PdfReader("input.pdf")
print("Metadata:", reader.metadata)
print("Page count:", len(reader.pages))
print("First page text:", reader.pages[0].extract_text()[:100])

# 合并多個 PDF
merger = PdfMerger()
merger.append("input1.pdf")
merger.append("input2.pdf")
merger.write("merged.pdf")
merger.close()

# 加密合并后的 PDF
reader = PdfReader("merged.pdf")
writer = PdfWriter()
for page in reader.pages:
    writer.add_page(page.rotate(90))  # 旋轉頁面
writer.encrypt(user_password="secret", algorithm="AES-256")
with open("encrypted_rotated.pdf", "wb") as f:
    writer.write(f)

說明：