作者?| megha152

編譯 | Flin

來源 | analyticsvidhya

介紹

PDF 代表便攜式文檔格式。它使用 .pdf 擴展名。這種類型的文件主要用于共享目的。它們不能被修改，從而完整地保留了文件的格式。

因此，它們可以輕松共享和下載。它們用于閱讀而不是編輯。它們在獨立于硬件、軟件和操作系統打開的任何設備上看起來都相似。因此，它們是最廣泛使用的格式。它是由Adobe發明的。現在是國際標準化組織 (ISO)的開放標準。

在本教程中，我們將學習如何在 Python 中處理 PDF 文件。將涵蓋以下主題：

• 如何從 PDF 文件中提取文本。

• 如何旋轉 PDF 文件的頁面。

• 如何從 PDF 文件中提取文檔信息。

• 如何從 PDF 文件中拆分頁面。

• 如何合并 PDF 文件的頁面。

• 如何加密PDF文件。

• 如何為 PDF 文件添加水印。

Python 中 PDF 的一些常用庫

有許多庫可免費用于處理 PDF：

PDFMiner：它是一個用于從PDF中提取文本的開源工具。它用于對數據進行分析。它也可以用作 PDF 轉換器或 PDF 解析器。

PDFQuery：它是一個圍繞 PDFMiner、Ixml 和 PyQuery 的輕量級 Python 包裝器。它是一個快速、用戶友好的 PDF 抓取庫。

Tabula.py：它是tabula.java的 Python 包裝器。它將 PDF 文件轉換為 Pandas 的數據框，并且所有數據操作都可以在數據框上執行。

Xpdf : 它允許將 PDF 轉換為文本。

pdflib：它是 poppler 庫的擴展，其中包含 python 綁定。

Slate：它是一個基于PDFMiner 的Python 包，用于從PDF 中提取文本。

PyPDF2：它是一個 Python 庫，用于對 PDF 文件執行主要任務，例如提取文檔特定信息、合并 PDF 文件、拆分 PDF 文件的頁面、為文件添加水印、加密和解密 PDF文件等。

我們將在本教程中使用 PyPDF2 庫。它是一個純 python 庫，因此它可以在任何平臺上運行，而無需對任何外部庫產生任何與平臺相關的依賴。

安裝 PyPDF2 庫

要安裝 PyPDF2，請在命令提示符中復制以下命令并運行：

pip?install?PyPDF2

獲取文檔詳細信息

PyPDF2 提供有關 PDF 文檔的元數據。這可能是有關 PDF 文件的有用信息。可以直接獲得文檔作者、標題、制作人、主題等信息。

.jpg)

要提取上述信息，請運行以下代碼：

from?PyPDF2?import?PdfFileReader pdf_path=r"C:UsersDellDesktopTesting?Tesseractexample.pdf" with?open(pdf_path,?'rb')?as?f:pdf?=?PdfFileReader(f)information?=?pdf.getDocumentInfo()number_of_pages?=?pdf.getNumPages()print(information)

上述代碼的輸出如下：

讓我們格式化輸出：

print("Author"?+':?'?+?information.author) print("Creator"?+':?'?+?information.creator) print("Producer"?+':?'?+?information.producer)

從 PDF 中提取文本

為了提取文本，我們將讀取文件并創建文件的 PDF 對象。

#?creating?a?pdf?file?object pdfFileObject?=?open(pdf_path,?'rb')

然后我們將創建一個 PDFReader 類對象并將 PDF 文件對象傳遞給它。

# 創建一個pdf閱讀器對象

pdfReader?=?PyPDF2.PdfFileReader(pdfFileObject)

最后，我們將提取每個頁面并連接每個頁面的文本。

text='' for?i?in?range(0,pdfReader.numPages):#?creating?a?page?objectpageObj?=?pdfReader.getPage(i)#?extracting?text?from?pagetext=text+pageObj.extractText() print(text)

輸出文本如下：

旋轉 PDF 的頁面

要旋轉 PDF 文件的頁面并將其另存為另一個文件，請復制以下代碼并運行它。

pdf_read?=?PdfFileReader(r"C:UsersDellDesktopstory.pdf") pdf_write?=?PdfFileWriter() #?Rotate?page?90?degrees?to?the?right page1?=?pdf_read.getPage(0).rotateClockwise(90) pdf_write.addPage(page1) with?open(r'C:UsersDellDesktoprotate_pages.pdf',?'wb')?as?fh:pdf_write.write(fh)

在 Python 中合并 PDF 文件

我們還可以使用以下命令合并兩個或多個 PDF 文件：

pdf_read = PdfFileReader(r”C:UsersDellDesktopstory.pdf”)

pdf_write?=?PdfFileWriter() #?Rotate?page?90?degrees?to?the?right page1?=?pdf_read.getPage(0).rotateClockwise(90) pdf_write.addPage(page1) with?open(r'C:UsersDellDesktoprotate_pages.pdf',?'wb')?as?fh:pdf_write.write(fh)

輸出PDF如下所示：

拆分PDF頁面

我們可以將 PDF 拆分為單獨的頁面，然后將它們再次保存為 PDF。

fname?=?os.path.splitext(os.path.basename(pdf_path))[0]for?page?in?range(pdf.getNumPages()):pdfwrite?=?PdfFileWriter()pdfwrite.addPage(pdf.getPage(page))outputfilename?=?'{}_page_{}.pdf'.format(fname,?page+1)with?open(outputfilename,?'wb')?as?out:pdfwrite.write(out)print('Created:?{}'.format(outputfilename))pdf?=?PdfFileReader(pdf_path)

加密 PDF 文件

加密 PDF 文件意味著向文件添加密碼。每次打開文件時，它都會提示輸入文件的密碼。它允許對內容進行密碼保護。出現以下彈出窗口：

我們可以使用以下代碼：

for?page?in?range(pdf.getNumPages()):pdfwrite.addPage(pdf.getPage(page))pdfwrite.encrypt(user_pwd=password,?owner_pwd=None,use_128bit=True)with?open(outputpdf,?'wb')?as?fh:pdfwrite.write(fh)

為 PDF 文件添加水印

水印是出現在每一頁上的識別圖像或圖案。它可以是公司徽標或任何要反映在每個頁面上的重要信息。

要為 PDF 的每一頁添加水印，請復制以下代碼并運行。

originalfile?=?r"C:UsersDellDesktopTesting?Tesseractexample.pdf" watermark?=?r"C:UsersDellDesktopTesting?Tesseractwatermark.pdf" watermarkedfile?=?r"C:UsersDellDesktopTesting?Tesseractwatermarkedfile.pdf" watermark?=?PdfFileReader(watermark) watermarkpage?=?watermark.getPage(0) pdf?=?PdfFileReader(originalfile) pdfwrite?=?PdfFileWriter() for?page?in?range(pdf.getNumPages()):pdfpage?=?pdf.getPage(page)pdfpage.mergePage(watermarkpage)pdfwrite.addPage(pdfpage) with?open(watermarkedfile,?'wb')?as?fh:pdfwrite.write(fh)

上面的代碼讀取兩個文件——輸入文件和水印。然后在閱讀每一頁后，它將水印附加到每一頁并將新文件保存在同一位置。

尾注

正如我們在上面看到的，所有可以在 PDF 文件中想到的操作都可以使用 PyPDF2 庫在 Python 中輕松執行。它純粹是用 Python 編寫的。因此它是完全獨立于平臺的。它易于使用并提供了極大的靈活性。

圖片來源

圖 1：https://monkeypen.com/pages/free-childrens-books

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統計學習方法》的代碼復現專輯 AI基礎下載黃海廣老師《機器學習課程》視頻課黃海廣老師《機器學習課程》711頁完整版課件

本站qq群554839127，加入微信群請掃碼：

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的【Python】用于在 Python 中处理 PDF 文件的 PyPDF2 库的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。