python 操作PDF的几种方法


python 操作PDF的几种方法

文章插图
 
作者:陈熹
来源:早起Python
一、前言
大家好,有关Python操作PDF的案例之前已经写过一个PDF批量合并,这个案例初衷只是给大家提供一个便利的脚本,并没有太多讲解原理,其中涉及的就是PDF处理很实用的模块PyPDF2,本文就好好剖析一下这个模块,主要将涉及
  • os 模块综合应用
  • glob 模块综合应用
  • PyPDF2 模块操作
二、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
python 操作PDF的几种方法

文章插图
 
每个发票的PDF都由两页组成:
python 操作PDF的几种方法

文章插图
 
三、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:
  1. 读取器将所有pdf读取一遍
  2. 读取器将读取的内容交给写入器
  3. 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
四、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:
  1. 读取器读取PDF文档
  2. 读取器一页一页交给写入器
  3. 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pdf    with open(path + 'INV1-{}.pdf'.format(page + 1), 'wb') as out:        pdf_writer.write(out)


推荐阅读