AI业务数据分析

pdf基本操作

字数统计: 944字   |   阅读时长: 4分
, ,

摘要: pdf 常见操作，例如采集和处理 pdf 数据。主要工具是 PyPDF4、qpdf

【对算法，数学，计算机感兴趣的同学，欢迎关注我哈，阅读更多原创文章】
我的网站：潮汐朝夕的生活实验室
我的公众号：算法题刷刷
我的知乎：潮汐朝夕
我的github：FennelDumplings
我的leetcode：FennelDumplings

PyPDF4

PyPDF4 是一个纯 Python 的 PDF 工具包。

1
pip install PyPDF4

1. 提取文档信息(Meta)

获得 pdf 的元信息和页数信息。

  • 作者
  • 创建者
  • 生产商
  • 主题
  • 题目
  • 页数
1
2
3
4
5
6
from PyPDF4 import PdfFileReader

with open(pdf_path, "rb") as f:
    pdf = PdfFileReader(f)
    infomation = pdf.getDocumentInfo() # Meta 信息
    number_of_pages = pdf.getNumPages() # 页数

infomation 对象中有一些属性，例如作者，标题等。

2. 旋转页面

取某些页面，旋转后加入输出文件。

1
2
3
4
5
6
7
8
9
10
11
12
13
def rotate_pages(pdf_path):
    pdf_writer = PdfFileWriter()
    pdf_reader = PdfFileReader(pdf_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)
    # 不旋转的页
    pdf_writer.addPage(pdf_reader.getPage(2))
    with open("rotate_pages.pdf", "wb") as f:
        pdf_writer.write(f)

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。

3. 合并 PDF

将两个或多个PDF合并到一个PDF中。

1
2
3
4
5
6
7
8
def merge_pdfs(paths, output):
    pdf_writer = PdfFileWriter()
    for path in paths:
        pdf_reader = PdfFileReader(path)
        for page in range(pdf_reader.getNumPages()):
            pdf_writer.addPage(pdf_reader.getPage(page))
    with open(output, "wb") as f:
        pdf_writer.write(f)

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。

4. 拆分 PDF

将 PDF 拆分为多个 PDF，对于包含大量扫描内容的 PDF 来说很重要

1
2
3
4
5
6
7
8
9
10
def split(path, name_of_split):
    pdf = PdfFileReader(path)
    num_pages = pdf.getNumPages()
    for page in range(num_pages):
        pdf = PdfFileReader(path)
        pdf_writer = PdfFileWriter()
        pdf_writer.addPage(pdf.getPage(page))
        output = "{}{}.pdf".format(name_of_split, page)
        with open(output, "wb") as g:
            pdf_writer.write(g)

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。

5. 添加水印

水印来源：仅包含水印图像或文本的PDF。

1
2
3
4
5
6
7
8
9
10
11
12
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 f:
        pdf_writer.write(f)

6. 加密

1
2
3
4
5
6
7
8
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 f:
        pdf_writer.write(f)

qpdf

处理 pdf 文件的命令行工具

1
sudo apt install qpdf

(1) 分割pdf

从原文件中取出n-m页，保留原文件的目录格式：

1
qpdf infile.pdf --pages . n-m -- outfile.pdf

从原文件中取出n-m页，不保留原文件的目录格式：

1
qpdf --empty --pages infile.pdf n-m -- outfile.pdf

将原文件的每一页单独保存为一个文件：

1
qpdf --split-pages infile.pdf outfile.pdf

将原文件的每N页单独保存为一个文件：

1
qpdf --split-pages=N infile.pdf outfile.pdf

(2) 合并

将A.pdf和B.pdf合并C.pdf，A在前，B在后：

1
qpdf  B.pdf --pages A.pdf . -- C.pdf

将A.pdf、B.pdf、C.pdf合并成D.pdf：

1
qpdf  C.pdf --pages A.pdf B.pdf . -- D.pdf

将A.pdf的1-5页和B.pdf的2-3页合并成C.pdf： 

1
qpdf  B.pdf --pages A.pdf 1-5 . 2-3 -- C.pdf

(3) 已知密码的前提下移除PDF文件密码，输出没有密码的文件

已知秘密为 123456

1
qpdf --password='123456' --decrypt infile.pdf outfile.pdf

pdfminer

以上工具只是做一些 PDF 的基本操作，以及抽取元信息。不涉及解析内容。

如果有解析 pdf 内容的需求，不如数据清洗这种工作，可以研究 pdfminer 这个包。

1
pip install pdfminer3k
Share