教你用Python 操作 PDF 的几种方法

2020-09-22 14:51:24 浏览数 (1)

作者 | 陈熹

来源 | 早起Python（ID:zaoqi-python）

01

前言

大家好，有关 Python 操作 PDF 的案例之前已经写过一个?PDF批量合并，这个案例初衷只是给大家提供一个便利的脚本，并没有太多讲解原理,其中涉及的就是 PDF 处理很实用的模块 PyPDF2 ，本文就好好剖析一下这个模块，主要将涉及

  • os 模块综合应用
  • glob 模块综合应用
  • PyPDF2 模块操作

02

基本操作

PyPDF2 导入模块的代码常常是：

代码语言：javascript复制
from PyPDF2 import PdfFileReader, PdfFileWriter

这里导入了两个方法：

  • PdfFileReader 可以理解为读取器
  • PdfFileWriter 可以理解为写入器

接下来通过几个案例进一步认识这两个工具的奇妙之处，用到的示例文件是5个发票的 pdf

每个发票的 PDF 都由两页组成：

03

合并

第一个工作是将5个发票pdf合并成10页。这里读取器和写入器应该怎么配合呢？

逻辑如下：

  • 读取器将所有pdf读取一遍
  • 读取器将读取的内容交给写入器
  • 写入器统一输出到一个新pdf

这里还有一个重要的知识点：读取器只能将读取的内容一页一页交给写入器。

因此，逻辑中第1步和第2步实际上不是彼此独立的步骤，而是读取器读取完一个pdf后，就将这个pdf全部页循环一遍，挨页交给写入器。最后等读取工作全部结束后再输出。

看一下代码可以让思路更清楚：

代码语言：javascript复制
from PyPDF2 import PdfFileReader, PdfFileWriter

path = r'C:Usersxxxxxx'
pdf_writer = PdfFileWriter()

for i in range(1, 6):
    pdf_reader = PdfFileReader(path   '/INV{}.pdf'.format(i))
    for page in range(pdf_reader.getNumPages()):
        pdf_writer.addPage(pdf_reader.getPage(page))

with open(path   r'合并PDFmerge.pdf', 'wb') as out:
    pdf_writer.write(out)

由于全部内容都需要交给同一个写入器最后一起输出，所以写入器的初始化一定是在循环体之外的.

如果在循环体内则会变成每次访问读取一个pdf就生成一个新的写入器，这样每一个读取器交给写入器的内容就会被反复覆盖，无法实现我们的合并需求!

循环体开头的代码：

代码语言：javascript复制
for i in range(1, 6):
    pdf_reader = PdfFileReader(path   '/INV{}.pdf'.format(i))

目的就是每次循环读取一个新的 pdf 文件交给读取器进行后续操作。实际上这种写法不是很提倡，由于各 pdf 命名恰好很规则，所以可以直接人为指定数字进行循环。更好的方法是用 glob 模块：

代码语言：javascript复制
import glob
for file in glob.glob(path   '/*.pdf'):
    pdf_reader = PdfFileReader(path)

代码中 pdf_reader.getNumPages(): 能够获取读取器的页数，配合 range 就能遍历读取器的所有页。

pdf_writer.addPage(pdf_reader.getPage(page)) 能够将当前页交给写入器。

最后，用 with 新建一个 pdf 并由写入器的 pdf_writer.write(out) 方法输出即可。

04

拆分

如果明白了合并操作中读取器和写入器的配合，那么拆分就很好理解了，这里我们以拆分 INV1.pdf 为2个单独的 pdf 文档为例，同样也先来捋一捋逻辑：

  • 读取器读取 PDF 文档
  • 读取器一页一页交给写入器
  • 写入器每获取一页就立即输出

通过这个代码逻辑我们也可以明白，写入器初始化和输出的位置一定都在读取 PDF 循环每一页的循环体内，而不是在循环体外

代码很简单：

代码语言：javascript复制
from PyPDF2 import PdfFileReader, PdfFileWriter
path = r'C:Usersxxx'
pdf_reader = PdfFileReader(path   'INV1.pdf')

for page in range(pdf_reader.getNumPages()):
    # 遍历到每一页挨个生成写入器
    pdf_writer = PdfFileWriter()
    pdf_writer.addPage(pdf_reader.getPage(page))
    # 写入器被添加一页后立即输出产生pdf
    with open(path   'INV1-{}.pdf'.format(page   1), 'wb') as out:
        pdf_writer.write(out)

05

水印

本次的工作是将下图作为水印添加到 INV1.pdf 中

首先是准备工作，将需要作为水印的图片插入 word 中调整合适位置后保存为PDF文件。然后就可以码代码了，需要额外用到 copy 模块，具体解释见下图：

就是把读取器和写入器初始化，并且把水印 PDF 页先读取好备用,核心代码稍微比较难理解：

加水印本质上就是把水印 PDF 页和需要加水印的每一页都合并一遍

由于需要加水印的 PDF 可能有很多页，而水印 PDF 只有一页，因此如果直接把水印 PDF 拿来合并，可以抽象理解成加完第一页，水印 PDF 页就没有了。

因此不能直接拿来合并，而要把水印 PDF 页不断 copy 出来成新的一页备用 new_page ，再运用 .mergePage 方法完成跟每一页合并，把合并后的页交给写入器待最后统一输出!

关于 .mergePage 的使用：出现在下面的页 .mergePage (出现在上面的页)，最后效果如图：

06

加密

加密很简单，只需要记住：「加密是针对写入器加密」

因此只需要在相关操作完成后调用 pdf_writer.encrypt (密码)

以单个 PDF 的加密为例：

写在最后

当然除了对 PDF 的合并、拆分、加密、水印，我们还可以使用 Python 结合 Excel 和 Word 实现更多的自动化需求，这些就留给读者自己开发。

最后还是希望大家能够理解Python办公自动化的一个核心就是批量操作-解放双手，让复杂的工作自动化！

python 费用中心

0 人点赞