搜索

开启左侧

最全总结!聊聊 Python 操作PDF的几种方法

[复制链接]
生意经 发表于 2020-9-21 18:29:24 | 显示全部楼层 |阅读模式
生意经
2020-9-21 18:29:24 35 0 看全部

  作者  陈熹

  来源  早起Python
  前言

  本文主要涉及:

  os 模块综合应用

  glob 模块综合应用

  PyPDF2 模块操作
  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
  每个发票的PDF都由两页组成:
  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:

  from PyPDF2 import PdfFileReader, PdfFileWriterpath = 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:

  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:

  import globfor 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
  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:

  from PyPDF2 import PdfFileReader, PdfFileWriterpath = 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pdfwith open(path + 'INV1-{}.pdf'.format(page + 1), 'wb') as out:        pdf_writer.write(out)
  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:
  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:
  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。
  更多精彩推荐

  首次在手机端不牺牲准确率实现BERT实时推理,比TensorFlow-Lite快近8倍,每帧只需45ms

  Python让你成为AI 绘画大师,简直太惊艳了!(附代码))

  关于Python 3.9,那些你不知道的事

  腾讯回应 Wecom 是企业微信海外版;美国地方法院紧急叫停微信禁令;Vue 3 发布  极客头条

  曾是谷歌程序员,抛下百万年薪创业,4 年成就 7 亿用户,今身价百亿!


回复

使用道具 举报

  • 您可能感兴趣
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则 返回列表

查看:35 | 回复:0

TEL:0876-5623615 地址:云南省广南县北宁路2号 邮箱:[email protected] ICP备案号: ( 滇ICP备14006433号 )
Copyright © 2001-2013 Comsenz Inc. All Rights Reserved.   Powered by Discuz! X3.4
快速回复 返回顶部 返回列表