【Python军火库】PyPDF2：操纵PDF的利器

---

一、PyPDF2简介

利用Python+PyPDF2，我们能够实现对PDF的一些操作。

当然，PyPDF2对PDF的操作并非万能的，在使用过程中我们需要注意以下问题：

1. PyPDF2无法从PDF文档中提取图像、图表或其他媒体，它可以提取文本并返回字符串
2. 有时候PDF提取文本会出错，甚至无法打开某些PDF
3. PyPDF2不能任意将文本写入PDF，仅限于从其他PDF拷贝页面、旋转页面、重叠页面和加密文件
4. 模块不能直接编辑PDF，必须创建一个新的PDF，然后从已有的文档拷贝内容

PyPDF2的安装也非常简单

如果你是Windows系统，直接进入DOS命令行

输入：pip install PyPDF2

然后回车即可等待自动完成安装

PyPDF2的主要功能有以下六项，我们也将分别从这六大功能来介绍PyPDF2的使用：

1. 从PDF提取文本
2. 创建PDF
3. 拷贝PDF
4. 旋转PDF
5. 叠加PDF
6. 解密与加密PDF

——

二、PyPDF2六大基操

1、从PDF提取文本

import PyPDF2     # 注意y一定是小写
pdfFileobj = open('meetingminutes.pdf','rb')        # 用二进制只读形式打开文件
pdfReader = PyPDF2.PdfFileReader(pdfFileobj)        # 获取内容对象
print(pdfReader.numPages)         # 打印PDF页数

pageobj = pdfReader.getPage(0)       # 获取页面是从0开始的，也就是0表示PDF中的第一页
print(pageobj.extractText())         # 返回该页文本的字符串

从上面代码我们能学到什么？

1. 我们需要以二进制形式打开PDF文件
2. 我们需要为PDF创建对象
3. 获取当前PDF的页数：numPages
4. 获取某一页PDF：getPage() …第1页是从0开始
5. 返回页面字符串内容：extractText()

我们看看返回的内容与实际页面的对比，还是有一定的差距误差（红色框框标注的）

2、创建PDF

import PyPDF2     # 注意y一定是小写
pdfWriter = PyPDF2.PdfFileWriter()   # 创建PDF写入对象

如果只是要读入PDF，我们要创建PdfFileReader对象；如果创建一个需要写入的PDF，我们则要创建PdfFileWriter对象。

具体怎么使用，我们接着后面的案例来说道。

3、拷贝PDF

通过拷贝PDF，我们可以实现两个PDF的合并操作。

因为我们在最开始说过，PyPDF2并不能实现将任意内容写入原本的PDF中，所以我们只能创建一个新的PDF，并将内容写入其中。

以下我们通过具体代码展示，如何把两个PDF（meetingminutes.pdf和meetingminutes.pdf）合并到一个PDF（combainedminutes.pdf）

import PyPDF2     # 注意y一定是小写
pdf1File = open('meetingminutes.pdf','rb')     # 用二进制只读形式打开文件
pdf2File = open('meetingminutes2.pdf','rb')    # 用二进制只读形式打开文件
pdf1Reader = PyPDF2.PdfFileReader(pdf1File)    # 获取内容对象
pdf2Reader = PyPDF2.PdfFileReader(pdf2File)    # 获取内容对象
pdfWriter = PyPDF2.PdfFileWriter()             # 创建PDF写入对象

for pageNum in range(pdf1Reader.numPages):     # 利用for循环把pdf1File中的内容添加到pdfWriter
	pageobj = pdf1Reader.getPage(pageNum)
	pdfWriter.addPage(pageobj)                 # addPage写入内容

for pageNum in range(pdf2Reader.numPages):     # 利用for循环把pdf2File中的内容添加到pdfWriter
	pageobj = pdf2Reader.getPage(pageNum)
	pdfWriter.addPage(pageobj)

pdfOutputFile = open('combainedminutes.pdf','wb')   # 用二进制写入形式创建新的PDF文件
pdfWriter.write(pdfOutputFile)              # 将pdfWriter中的内容写入新的PDF文件
pdfOutputFile.close()
pdf1File.close()
pdf2File.close()

从以上代码我们可以学到什么？

1. 写入PDF的方法：addPage()
2. 利用for循环、range方法、numPages属性实现对整个PDF的遍历
3. 再配合getPage()和addPage()从而实现整个PDF的拷贝
4. 最后创建新的PDF文件（用二进制写入的方法打开），并用write方法将内容传入新的PDF中

4、旋转PDF

利用PyPDF2，我们还能实现旋转某个PDF页面

当然依然由于PyPDF2无法实现对原PDF的操作，所以我们需要创建新的PDF并将旋转后的页面写入新的PDF中。

import PyPDF2     # 注意y一定是小写
minutesFile = open('meetingminutes.pdf','rb')
pdfReader = PyPDF2.PdfFileReader(minutesFile)
pageobj = pdfReader.getPage(0)
pageobj.rotateClockwise(90)      # 将页面顺时针旋转90度，可以传入90、180、270
pageobj.rotateCounterClockwise(180)   # 将页面逆时针旋转180度，可以传入90、180、270
pdfWriter = PyPDF2.PdfFileWriter()
pdfWriter.addPage(pageobj)
resultPDF = open('rotatedPage.pdf','wb')
pdfWriter.write(resultPDF)
resultPDF.close()
minutesFile.close()

从以上代码我们可知：

1. 页面顺时针旋转：rotateClockwise()，括号内可填90、180、270度
2. 页面逆时针旋转：rotateCounterClockwise()，括号内可填90、180、270度

我们看看最终呈现的结果

5、叠加PDF

顾名思义，就是将两个PDF页面进行重叠在一起。

这有什么用？

我们可以利用叠加PDF功能从而实现添加水印的效果。

import PyPDF2     # 注意y一定是小写
minutesFile = open('meetingminutes.pdf','rb')
pdfReader = PyPDF2.PdfFileReader(minutesFile)
pdfWatermarkReader = PyPDF2.PdfFileReader(open('watermark.pdf','rb'))
pdfWriter = PyPDF2.PdfFileWriter()

for pageNum in range(pdfReader.numPages):
	pageobj = pdfReader.getPage(pageNum)
	pageobj.mergePage(pdfWatermarkReader.getPage(0))  # 页面合并
	pdfWriter.addPage(pageobj)

resultPDF = open('resultPDF.pdf','wb')
pdfWriter.write(resultPDF)
resultPDF.close()
minutesFile.close()

从以上代码我们可知：

1. PDF叠加操作：mergePage()
2. 先确定水印页PDF，利用for循环我们可以实现对每一页PDF正文内容叠加水印

我们再看看最终效果

6、解密与加密PDF

最后我们介绍一下利用PyPDF2来给PDF解密和加密的操作。

如果PDF是经过加密的，我们利用PyPDF2直接打开是会发生报错的：

import PyPDF2     # 注意y一定是小写
pdfReader = PyPDF2.PdfFileReader(open('encrypted.pdf','rb'))
print(pdfReader.isEncrypted)         # 查看PDF是否加密，如果是则返回True
print(pdfReader.getPage(0))                                          # 获取第一页

PyPDF2.utils.PdfReadError: file has not been decrypted

所以我们需要添加对PDF文档解密的代码，即可成功读取PDF

pdfReader.decrypt('rosebud')       # 对PDF进行解密处理，密码rosebud

如果想对PDF进行加密，我们只需进行操作

pdfWriter.encrypt('123465')        # 对PDF文件进行加密，密码为123456

我们再来总结一下：

1. PDF解密：decrypt()
2. PDF加密：encrypt()
3. 判断文档是否加密：isEncrypted

——

三、复盘总结

PyPDF2是操作PDF的利器，但是它并非万能的，我们在使用时候有且需要关注以下几个点：

1. PyPDF2只能提取文本并返回字符串，图片、表格等通通都提取不了
2. PyPDF2的文本识别并非完全准确，比如我们在【从PDF提取文本】的案例中就能看出来字符串返回出了差错，但是绝大多数情况下PyPDF2基本都能够应付的
3. PyPDF2不能对原本PDF文件进行操作，所有的拷贝、旋转、叠加乃至加密等操作，同需要创建新的PDF并写入其中。
4. 打开PDF文档时，需采用二进制方式，‘rb’、‘wb’。

最终再汇总所学过的主要属性和方法：

1. 获取PDF页数：numPages
2. 获取页面：getPage()
3. 返回内容字符串：extractText()
4. 写入页面：addPage()
5. 合并页面：mergePage()
6. 页面顺时针旋转：rotateClockwise()
7. 页面逆时针旋转：rotateCounterClockwise()
8. PDF解密：decrypt()
9. PDF加密：encrypt()
10. 判断文档是否加密：isEncrypted

---

注：本中的案例均来自《Python编程快速上手 让繁琐工作自动化》——[美] Al Sweigart 斯维加特