PDF各种骚操作如何用python实现

 

前言

文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

作者： wlsq

ps：如有需要python学习资料的小伙伴可以加点击下方链接自行获取http://t.cn/a6zvjdun

 

portable document format（可移植文档格式），或者pdf是一种文件格式，可以用于跨操作系统的呈现和文档交换。尽管pdf最初是由adobe发明的，但它现在是由国际标准化组织（iso）维护的开放标准。你可以通过使用pypdf2包在python中处理已先存在的pdf。

pypdf2是一个纯python包，可用于许多不同类型的pdf操作。 本文将带你了解如何执行以下操作：

从python中提取pdf中的文档信息

• 旋转页面
• 合并pdf
• 拆分pdf
• 添加水印
• 加密pdf

pypdf，pypdf2和pypdf4的历史

最初的pypdf软件包于2005年发布。pypdf的最后一个正式版本是在2010年。大约一年后，一家名为phasit的公司赞助了一个名为pypdf2的pypdf分支。该代码编写为向后与原始代码兼容，并且用了好多年，效果一直很好，其最后一个版本是在2016年。

有一个名为pypdf3的软件包简短系列版本，然后该项目被重命名为pypdf4。所有这些项目都完全相同，但pypdf和pypdf2 +之间的最大区别在于后者版本增加了python 3支持。python 3的原始pypdf有一个不同的python 3分支，但是这个分支已经多年没有维护了。

虽然最近放弃了pypdf2，但新的pypdf4与pypdf2没有完全的向后兼容性。本文中的大多数示例都可以与pypdf4完美配合，但也有一些不能，这就是为什么pypdf4在本文中没有更多的特色。随意用pypdf4替换pypdf2的导入，看看它是如何工作的。

pdfrw：一个替代的pdf操作包

patrick maupin创建了一个名为pdfrw的软件包，它可以完成许多与pypdf2相同的工作。除了加密的特殊情况外，本文后面提到pypdf2的所有操作，pdfrw均可以实现。

pdfrw的最大区别在于它与reportlab软件包集成，因此你可以使用一些或所有预先存在的pdf构建一个新的pdf。

pypdf2的安装

如果使用anaconda而不是常规python，可以使用pip或conda安装pypdf2。以下是使用pip安装pypdf2的方法：

$ pip install pypdf2

由于pypdf2没有任何依赖，因此安装非常快。

如何从python中提取pdf文档信息

我们可以使用pypdf2从pdf中提取元数据和一些文本，尤其是当在预先存在的pdf文件上执行某些类型的自动化时是非常有用的。

以下是当前可以提取的数据类型：

• author
• creator
• producer
• subject
• title
• number of page

可以在自己的电脑上随便找一个pdf文件进行尝试操作。下面是使用该pdf编写一些代码，并了解如何访问这些属性：

from pypdf2 import pdffilereader
def extract_information(pdf_path):
 with open(pdf_path, 'rb') as f:
 pdf = pdffilereader(f)
 information = pdf.getdocumentinfo()
 number_of_pages = pdf.getnumpages()
 txt = f"""
 information about {pdf_path}:
 author: {information.author}
 creator: {information.creator}
 producer: {information.producer}
 subject: {information.subject}
 title: {information.title}
 number of pages: {number_of_pages}
 """
 print(txt)
 return information
if __name__ == '__main__':
 path = 'xxxx.pdf'
 extract_information(path)

首先从pypdf2包导入pdffilereader。pdffilereader是一个具有多种与pdf文件交互的方法的类。在此示例中，我们调用了.getdocumentinfo()，它将返回documentinformation的实例,包含了我们感兴趣的大部分信息。我们还可以在reader对象上调用.getnumpages()，让它返回文档中的页数。

information这个变量具有多个实例属性，可以使用这些属性从文档中获取所需的其余元数据。我们可以打印出该信息并将其返回以备将来使用。

虽然pypdf2具有.extracttext()，可以在其页面对象上使用提取文本（本例中未显示），但它的效果不是很好。有些pdf会返回文本，有些会返回空字符串。如果要从pdf中提取文本，建议应该看一下pdfminer项目。pdfminer更加强大，专门用于从pdf中提取文本。

如何旋转页面？

有时候pdf是横向模式而不是纵向模式，甚至是颠倒的。当有人扫描文档为pdf或电子邮件时，很可能会发生这种情况。我们可以打印出文档并阅读纸质版本，也可以使用python的强大功能来旋转有问题的页面。

下面看一下如何使用pypdf2旋转文章的一些页面：

from pypdf2 import pdffilereader, pdffilewriter
def rotate_pages(pdf_path):
 pdf_writer = pdffilewriter()
 pdf_reader = pdffilereader(path)
 # 顺时针旋转90度
 page_1 = pdf_reader.getpage(0).rotateclockwise(90)
 pdf_writer.addpage(page_1)
 # 逆时针旋转90度
 page_2 = pdf_reader.getpage(1).rotatecounterclockwise(90)
 pdf_writer.addpage(page_2)
 # 在正常方向上添加一页
 pdf_writer.addpage(pdf_reader.getpage(2))
 with open('rotate_pages.pdf', 'wb') as fh:
 pdf_writer.write(fh)
if __name__ == '__main__':
 path = '新路径.pdf'
 rotate_pages(path)

上面除了pdfilereader之外，还导入了pdfilewriter，因为我们需要编写一个新的pdf。rotate_pages()获取要修改的pdf的路径。在这个函数中，需要创建一个可以命名为pdf-writer的writer对象和一个名为pdf-reader的reader对象。

接下来，可以使用.get page()获取所需的页面。上面开始输入了第0页，也就是第一页，调用page对象的.rotateclockwise()顺时针旋转方法并输入90。然后同样地，对于第二页，调用.rotatecounterlockwise()逆时针旋转并输入90。

每次调用rotation旋转方法后，都会调用.addpage()，这将向writer对象添加页面的旋转版本。最后一页是第3页，没有对其进行任何旋转。最后，使用.write()把所有新页写入新的pdf。

如何合并pdf？

在许多情况下，我们希望将两个或多个pdf合并到一个pdf中。例如，现在可能有一个标准的封面，需要转到许多类型的报告中。这时候就可以使用python来帮助完成这类工作。 下面是实现的代码，完成pdf合并的操作：

from pypdf2 import pdffilereader, pdffilewriter
def merge_pdfs(paths, output):
 pdf_writer = pdffilewriter()
 for path in paths:
 pdf_reader = pdffilereader(path)
 for page in range(pdf_reader.getnumpages()):
 # 将每页添加到writer对象
 pdf_writer.addpage(pdf_reader.getpage(page))
 # 写入合并的pdf
 with open(output, 'wb') as out:
 pdf_writer.write(out)
if __name__ == '__main__':
 paths = ['document1.pdf', 'document2.pdf']
 merge_pdfs(paths, output='merged.pdf')

假如有一个要合并到一起的pdf列表时，可以直接使用merge_pdf函数完成。此函数采用了输入路径和输出路径作为参数。

首先遍历输入的paths，并为每个输入创建一个pdf阅读对象。然后遍历pdf文件中的所有页面，并使用.addpage()将这些页面写入writer对象。当完成对列表中所有pdf的所有页面的写入后，将在末尾写入新的结果中。

如果不想合并每个pdf的所有页面，可以通过添加一系列要添加的页面来稍微增强这个脚本。挑战一点的话，也可以使用python的argparse模块为这个函数创建一个命令行接口。

如何拆分pdf?

有时可能需要将pdf拆分为多个pdf，对于包含大量扫描内容的pdf来说尤其重要。以下是如何使用pypdf2将pdf拆分为多个文件：

from pypdf2 import pdffilereader, pdffilewriter
def split(path, name_of_split):
 pdf = pdffilereader(path)
 for page in range(pdf.getnumpages()):
 pdf_writer = pdffilewriter()
 pdf_writer.addpage(pdf.getpage(page))
 output = f'{name_of_split}{page}.pdf'
 with open(output, 'wb') as output_pdf:
 pdf_writer.write(output_pdf)
if __name__ == '__main__':
 path = 'xxx.pdf'
 split(path, 'jupyter_page')

这个函数中再次创建了pdf的reaer对象，并对其所读取的页面进行遍历。对于pdf中的每个页面，创建一个新的pdf的writer实例并向其添加单个页面。然后，将该页面写入一个唯一命名的文件。脚本运行完毕后，就可以将原始pdf的每个页面拆分为单独的pdf。

如何添加水印？

水印是纸质或者电子文档上的图像或图案，一些水印只能在特殊照明条件下才能看到。水印的重要性在于它可以保护你的知识产权，例如图像或pdf。

我们可以使用python和pypdf2为文档添加水印，而且是拥有仅包含水印图像或文本的pdf。下面是向pdf添加水印方法：

from pypdf2 import pdffilewriter, pdffilereader
def create_watermark(input_pdf, output, watermark):
 watermark_obj = pdffilereader(watermark)
 watermark_page = watermark_obj.getpage(0)
 pdf_reader = pdffilereader(input_pdf)
 pdf_writer = pdffilewriter()
 # 给所有页面添加水印
 for page in range(pdf_reader.getnumpages()):
 page = pdf_reader.getpage(page)
 page.mergepage(watermark_page)
 pdf_writer.addpage(page)
 with open(output, 'wb') as out:
 pdf_writer.write(out)
if __name__ == '__main__':
 create_watermark(
 input_pdf='jupyter_notebook_an_introduction.pdf', 
 output='watermarked_notebook.pdf',
 watermark='watermark.pdf')

上面create_watermark有三个参数：

• input_pdf：要加水印的pdf文件路径
• output：要保存pdf的水印版本的路径
• watermark：包含水印图像或文本的pdf

在代码中，打开水印pdf并从文档中抓取第一页，因为这是水印应该驻留的位置。然后使用input_pdf和通用pdf_writer对象创建pdf的writer对象，以写出带水印的pdf。

下一步是遍历input_pdf中的页面，然后调用.mergepage()并以用上面读取的水印对象watermark_page为参数，这样会将watermark_page覆盖在当前页面的顶部，然后再将新合并的页面添加到pdf_writer对象中。遍历完成后，最后将新加水印的pdf写入磁盘。

如何加密pdf？

pypdf2目前仅支持将用户密码和所有者密码添加到预先存在的pdf。在pdf版本中，所有者密码会提供pdf的管理员权限，并允许设置文档的权限，而用户密码只允许打开文档。

实际上，pypdf2是不允许设置文档的任何权限的，即使它允许设置所有者密码的情况下。但无论如何，这是可以加密的方式，也将固有地加密pdf：

from pypdf2 import pdffilewriter, pdffilereader
def add_encryption(input_pdf, output_pdf, password):
 pdf_writer = pdffilewriter()
 pdf_reader = pdffilereader(input_pdf)
 for page in range(pdf_reader.getnumpages()):
 pdf_writer.addpage(pdf_reader.getpage(page))
 pdf_writer.encrypt(user_pwd=password, owner_pwd=none, 
 use_128bit=true)
 with open(output_pdf, 'wb') as fh:
 pdf_writer.write(fh)
if __name__ == '__main__':
 add_encryption(input_pdf='reportlab-sample.pdf',
 output_pdf='reportlab-encrypted.pdf',
 password='twofish')

add_encryption以输入输出pdf路径和要添加到pdf的密码为参数。由于需要加密整个输入pdf，因此需要遍历其所有页面并将其添加到writer编写器。最后一步是调用.encrypt()，以用户密码，所有者密码以及是否应该添加128位加密为参数。默认情况下，要启用128位加密。如果将其设置为false，则将应用40位加密。

ps：如果想了解更多关于python的应用，可以私信小编