登录
首页大数据时代最全总结!聊聊 python 操作PDF的几种方法
最全总结!聊聊 python 操作PDF的几种方法
2020-09-16
收藏
最全总结!聊聊 <a href='/map/python/' style='color:#000;font-size:inherit;'>python</a> 操作PDF的几种方法


作者:陈熹

来源:早起Python



一、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

二、基本操作

PyPDF2 导入模块的代码常常是:

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

最全总结!聊聊 <a href='/map/python/' style='color:#000;font-size:inherit;'>python</a> 操作PDF的几种方法

每个发票的PDF都由两页组成:

最全总结!聊聊 <a href='/map/python/' style='color:#000;font-size:inherit;'>python</a> 操作PDF的几种方法

三、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:

  1. 读取器将所有pdf读取一遍
  2. 读取器将读取的内容交给写入器
  3. 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:

from PyPDF2 import PdfFileReader, PdfFileWriter
path = r'C:\Users\xxxxxx' pdf_writer = PdfFileWriter()for i in range(16):
    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PDF\merge.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:

for i in range(16):
    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:

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

四、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:

  1. 读取器读取PDF文档
  2. 读取器一页一页交给写入器
  3. 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:

from PyPDF2 import PdfFileReader, PdfFileWriter
path = r'C:\Users\xxx' 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)

五、水印

本次的工作是将下图作为水印添加到INV1.pdf中

最全总结!聊聊 <a href='/map/python/' style='color:#000;font-size:inherit;'>python</a> 操作PDF的几种方法

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:

最全总结!聊聊 <a href='/map/python/' style='color:#000;font-size:inherit;'>python</a> 操作PDF的几种方法

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:

最全总结!聊聊 <a href='/map/python/' style='color:#000;font-size:inherit;'>python</a> 操作PDF的几种方法

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:

最全总结!聊聊 <a href='/map/python/' style='color:#000;font-size:inherit;'>python</a> 操作PDF的几种方法

六、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:

最全总结!聊聊 <a href='/map/python/' style='color:#000;font-size:inherit;'>python</a> 操作PDF的几种方法

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!

数据分析咨询请扫描二维码

客服在线
立即咨询