使用Python進行PDF文檔處理的常見操作

更新時間：2024年09月08日 10:30:16 作者：杰哥在此

使用 Python 進行 PDF 文檔處理可以通過多種庫來實現(xiàn),包括 PyPDF2、pdfplumber、reportlab、pdfminer 等,這些庫可以處理不同的 PDF 任務,以下是幾種常見操作及對應的庫和代碼示例,感興趣的小伙伴跟著小編一起來看看吧

引言

使用 Python 進行 PDF 文檔處理可以通過多種庫來實現(xiàn)，包括 PyPDF2、pdfplumber、reportlab、pdfminer 等。這些庫可以處理不同的 PDF 任務，例如提取文本、拆分合并 PDF、修改 PDF、生成 PDF 等。以下是幾種常見操作及對應的庫和代碼示例。

1. 安裝常用庫

首先，安裝常用的 PDF 處理庫：

pip install PyPDF2 pdfplumber reportlab

2. 提取 PDF 文本

PyPDF2 和 pdfplumber 都可以用于提取 PDF 文本。PyPDF2 更輕量，但有時處理復雜的 PDF 格式效果較差，而 pdfplumber 更加適合處理表格等復雜結(jié)構(gòu)的 PDF。

使用 PyPDF2 提取文本

import PyPDF2

# 打開 PDF 文件
with open('sample.pdf', 'rb') as file:
    reader = PyPDF2.PdfReader(file)
    
    # 提取每一頁的文本
    for page_num in range(len(reader.pages)):
        page = reader.pages[page_num]
        text = page.extract_text()
        print(f"第 {page_num + 1} 頁的文本:\n{text}")

使用 pdfplumber 提取文本

pdfplumber 更適合處理結(jié)構(gòu)化數(shù)據(jù)，尤其是表格。

import pdfplumber

# 打開 PDF 文件
with pdfplumber.open('sample.pdf') as pdf:
    for page_num in range(len(pdf.pages)):
        page = pdf.pages[page_num]
        text = page.extract_text()
        print(f"第 {page_num + 1} 頁的文本:\n{text}")

3. 合并與拆分 PDF 文件

使用 PyPDF2 合并 PDF 文件

可以將多個 PDF 文件合并為一個文件。

import PyPDF2

pdf_files = ['file1.pdf', 'file2.pdf', 'file3.pdf']
merger = PyPDF2.PdfMerger()

for pdf in pdf_files:
    merger.append(pdf)

# 保存合并后的 PDF 文件
with open('merged_output.pdf', 'wb') as output_file:
    merger.write(output_file)

使用 PyPDF2 拆分 PDF 文件

將 PDF 文件拆分為單獨的頁面。

import PyPDF2

# 打開 PDF 文件
with open('sample.pdf', 'rb') as file:
    reader = PyPDF2.PdfReader(file)
    
    # 按頁拆分并保存
    for page_num in range(len(reader.pages)):
        writer = PyPDF2.PdfWriter()
        writer.add_page(reader.pages[page_num])
        
        with open(f'split_page_{page_num + 1}.pdf', 'wb') as output_file:
            writer.write(output_file)

4. 創(chuàng)建和修改 PDF

使用 ReportLab 創(chuàng)建 PDF 文件

reportlab 是一個功能強大的庫，可以用來生成新的 PDF 文件，支持插入文本、圖片、圖形等。

from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvas

# 創(chuàng)建 PDF 文件
c = canvas.Canvas("output.pdf", pagesize=letter)
c.drawString(100, 750, "Hello, this is a PDF created with ReportLab!")

# 創(chuàng)建矩形
c.rect(100, 700, 400, 100)

# 保存 PDF
c.showPage()
c.save()

使用 ReportLab 插入圖片

你可以使用 reportlab 插入圖片到 PDF 中。

from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvas

c = canvas.Canvas("output_with_image.pdf", pagesize=letter)
c.drawString(100, 750, "This is a PDF with an image:")

# 插入圖片
c.drawImage("image.png", 100, 600, width=200, height=150)

c.showPage()
c.save()

5. 提取 PDF 表格

pdfplumber 提供了提取 PDF 中表格的功能，非常適合處理含有表格的文檔。

import pdfplumber

# 打開 PDF 文件
with pdfplumber.open('table_sample.pdf') as pdf:
    first_page = pdf.pages[0]
    
    # 提取表格數(shù)據(jù)
    tables = first_page.extract_table()
    
    # 打印提取到的表格數(shù)據(jù)
    for row in tables:
        print(row)

6. PDF 文檔加密與解密

使用 PyPDF2 加密 PDF 文件

你可以加密 PDF 文件，防止未經(jīng)授權(quán)的訪問。

import PyPDF2

# 打開 PDF 文件
with open('sample.pdf', 'rb') as file:
    reader = PyPDF2.PdfReader(file)
    writer = PyPDF2.PdfWriter()

    for page_num in range(len(reader.pages)):
        writer.add_page(reader.pages[page_num])

    # 設置密碼
    writer.encrypt(user_password='user123', owner_password='owner123')

    with open('encrypted_output.pdf', 'wb') as output_file:
        writer.write(output_file)

使用 PyPDF2 解密 PDF 文件

如果 PDF 文件已加密，解密并提取文本的方法如下：

import PyPDF2

# 打開加密的 PDF 文件
with open('encrypted_output.pdf', 'rb') as file:
    reader = PyPDF2.PdfReader(file)
    
    # 提供密碼
    reader.decrypt('user123')
    
    # 提取文本
    for page_num in range(len(reader.pages)):
        page = reader.pages[page_num]
        print(page.extract_text())

7. PDF 頁面旋轉(zhuǎn)

你可以旋轉(zhuǎn) PDF 的某些頁面，以下是旋轉(zhuǎn)頁面的示例：

import PyPDF2

# 打開 PDF 文件
with open('sample.pdf', 'rb') as file:
    reader = PyPDF2.PdfReader(file)
    writer = PyPDF2.PdfWriter()
    
    # 旋轉(zhuǎn)每頁 90 度
    for page in reader.pages:
        page.rotate_clockwise(90)
        writer.add_page(page)
    
    # 保存旋轉(zhuǎn)后的 PDF 文件
    with open('rotated_output.pdf', 'wb') as output_file:
        writer.write(output_file)