一文教會你用Python讀取PDF文件

更新時間：2022年08月09日 11:16:23 作者：夢想橡皮擦

Python?工程師在日常的工作中，經(jīng)常會碰到解析和處理PDF文件的情況。本文將pdfplumber進行PDF文件的讀取操作，感興趣的可以了解一下

實戰(zhàn)場景

Python 工程師在日常的工作中，經(jīng)常會碰到解析和處理PDF文件的情況，實戰(zhàn)中需求主要分為如下情況：

提取 PDF 中的文字
將 PDF 中每頁轉(zhuǎn)換為圖片
word 轉(zhuǎn)換為PDF
PDF生成，編輯，導(dǎo)入導(dǎo)出
PDF在線渲染

除了最后一項需要前端配合以外，其余內(nèi)容都可以直接在 python 端進行實現(xiàn)。

本次實戰(zhàn)選擇 pdfplumber 庫進行學(xué)習(xí)，可以提前安裝該庫，不過有一點需要注意，該庫主要用于讀取 PDF 進行操作，寫入和編輯無法實現(xiàn)，即本文學(xué)習(xí)一款專注于 PDF 內(nèi)容提取的庫。

> pip install pdfplumber -i https://pypi.tuna.tsinghua.edu.cn/simple

pdfplumber 庫具備如下特點：

可以訪問PDF對象中的任意元素詳細信息；
可以提取文本和表格，而且用法簡單；
集成了可視化調(diào)試。

Python PDF 實戰(zhàn)編碼

下面可以編寫 PDF 操作的基礎(chǔ)代碼。

import pdfplumber

with pdfplumber.open('./dddd.pdf') as pdf:
    for page in pdf.pages:
        print(page.extract_text())

        # 每頁打印一分頁分隔
        print('---------- 分頁分隔 ----------')

導(dǎo)入 pdfplumber 模塊之后，使用 pdfplumber.open('./dddd.pdf') 打開本地 pdf 文件，然后通過 pdf.pages 遍歷所有頁，在通過頁對象的 .extract_text() 方法，提取文本信息。

pdfplumber.open() 方法的簽名如下所示：

pdfplumber.open("文件名", password = "密碼", laparams = { "line_overlap": 0.7 })

其中各參數(shù)描述如下：

file_name：文件名，必選參數(shù)；
password：PDF的密碼；
laparams：布局參數(shù)。

除此之外，如果希望讀取 PDF，還可以使用 load() 方法，該方法也會返回 pdfplumber.PDF 類的實例。

pdfplumber.PDF 對象實例，主要有兩個重要屬性：

.metadata：從PDF的Info中獲取元數(shù)據(jù)鍵 /值對字典。通常包括“ CreationDate”，“ ModDate”，“ Producer”等；
.pages：包含 pdfplumber.Page 實例的列表，每一個實例代表PDF每一頁的信息。

上文提及的 pdfplumber.Page 實例是 pdfplumber 的核心，后續(xù)對 PDF 的操作大量圍繞該類的屬性和方法實施，其重要屬性如下所示：

page_number：頁碼順序，第一頁的序號是 1；
witdh：寬度；
height：高度；
.objects/.chars/.lines/.rects/.curves/.figures/.images：獲取PDF頁中的重要數(shù)據(jù)。

核心方法如下所示：

extract_text()：提取頁中的文本；
extract_words()：提取所有單詞及其相關(guān)信息；
extract_tables()：提取頁面的表格。

extract_text() 呈現(xiàn)結(jié)果

extract_words() 呈現(xiàn)結(jié)果

extract_tables() 呈現(xiàn)效果，由于 PDF 中無表格，所有每頁得到的都是空！

補充

當(dāng)然Python除了讀取PDF文件，還有一些其他功能，例如加密PDF，旋轉(zhuǎn)和疊加頁面等，下面是實現(xiàn)的示例代碼

旋轉(zhuǎn)和疊加頁面

import PyPDF2

from PyPDF2.pdf import PageObject

# 創(chuàng)建一個讀PDF文件的Reader對象

reader = PyPDF2.PdfFileReader('resources/XGBoost.pdf')

# 創(chuàng)建一個寫PDF文件的Writer對象

writer = PyPDF2.PdfFileWriter()

# 對PDF文件所有頁進行循環(huán)遍歷

for page_num in range(reader.numPages):

      # 獲取指定頁碼的Page對象

      current_page = reader.getPage(page_num) # type: PageObject

      if page_num % 2 == 0:

         # 奇數(shù)頁順時針旋轉(zhuǎn)90度

         current_page.rotateClockwise(90)

      else:

# 偶數(shù)頁反時針旋轉(zhuǎn)90度

             current_page.rotateCounterClockwise(90)

      writer.addPage(current_page)

# 最后添加一個空白頁并旋轉(zhuǎn)90度

page = writer.addBlankPage() # type: PageObject

page.rotateClockwise(90)

# 通過Writer對象的write方法將PDF寫入文件

with open('resources/XGBoost-modified.pdf', 'wb') as file:

    writer.write(file)

加密PDF文件

import PyPDF2

reader = PyPDF2.PdfFileReader('resources/XGBoost.pdf')
writer = PyPDF2.PdfFileWriter()

for page_num in range(reader.numPages):
     writer.addPage(reader.getPage(page_num))

# 通過encrypt方法加密PDF文件，方法的參數(shù)就是rre

#設(shè)置的密碼
writer.encrypt('foobared')

with open('resources/XGBoost-encrypted.pdf', 'wb') as file:

       writer.write(file)

批量添加水印

import PyPDF2

from PyPDF2.pdf import PageObject

reader1 = PyPDF2.PdfFileReader('resources/XGBoost.pdf') reader2 = PyPDF2.PdfFileReader('resources/watermark.pdf')
writer = PyPDF2.PdfFileWriter()

# 獲取水印頁
watermark_page = reader2.getPage(0)

for page_num in range(reader1.numPages):

     current_page = reader1.getPage(page_num) # type: PageObject                                           current_page.mergePage(watermark_page)

     # 將原始頁和水印頁進行合并
     writer.addPage(current_page) 

# 將PDF寫入文件
with open('resources/XGBoost-watermarked.pdf', 'wb') as file:

       writer.write(file)

到此這篇關(guān)于一文教會你用Python讀取PDF文件的文章就介紹到這了,更多相關(guān)Python讀取PDF文件內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: