python处理pdf列表（Python教程PyPDF2处理PDF文件）
python处理pdf列表（Python教程PyPDF2处理PDF文件）#!/usr/bin/env python # -*- coding: utf-8 -*- # @Time : 2020/11/26 # @Author : AlexZ33 # @Site : # @File : pdf_write.py.py # @Software: PyCharm from PyPDF2 import PdfFileReader PdfFileWriter def addBlankpage(): # 注意下面是linux系统下的文件位置 readFile = '/home/mi/personal/Python_script/data/nio.pdf' outFile = '/home/mi/personal/Python_script/data//copy2.pdf' # 注意下面是ｗｉｎｄｏｗｓ
实际应用中，可能会涉及处理 pdf 文件，PyPDF2 就是这样一个库，使用它可以轻松的处理 pdf 文件，它提供了读，割，合并，文件转换等多种操作。文档地址：http://pythonhosted.org/PyPDF2/
PyPDF2 安装PyCharm 安装：File -> Default Settings -> Project Interpreter
构造方法：
PyPDF2.PdfFileReader(stream strict = True warndest = None overwriteWarnings = True)
初始化一个 PdfFileReader 对象，此操作可能需要一些时间，因为 PDF 流的交叉引用表被读入内存。
参数：
- stream：*File 对象或支持与 File 对象类似的标准读取和查找方法的对象，也可以是表示 PDF 文件路径的字符串。
- *strict（bool）：确定是否应该警告用户所用的问题，也导致一些可纠正的问题是致命的，默认是 True
- warndest : 记录警告的目标(默认是 sys.stderr)
- overwriteWarnings(bool)：确定是否 warnings.py 用自定义实现覆盖 Python 模块（默认为 True）
PdfFileReader 对象的属性和方法
# encoding:utf-8
from PyPDF2 import PdfFileReader PdfFileWriter
readFile = './data/大数据时代.pdf'
readFile2 = './data/APUE-3rd.pdf'
# 获取 PdfFileReader 对象
pdfFileReader = PdfFileReader(readFile2) # 或者这个方式：pdfFileReader = PdfFileReader(open(readFile 'rb'))
# 获取 PDF 文件的文档信息
documentInfo = pdfFileReader.getDocumentInfo()
print('documentInfo = %s' % documentInfo)
# 获取页面布局
pageLayout = pdfFileReader.getPageLayout()
print('pageLayout = %s ' % pageLayout)
# 获取页模式
pageMode = pdfFileReader.getPageMode()
print('pageMode = %s' % pageMode)
xmpMetadata = pdfFileReader.getXmpMetadata()
print('xmpMetadata = %s ' % xmpMetadata)
# 获取 pdf 文件页数
pageCount = pdfFileReader.getNumPages()
print('pageCount = %s' % pageCount)
for index in range(0 pageCount):
# 返回指定页编号的 pageObject
pageObj = pdfFileReader.getPage(index)
print('index = %d pageObj = %s' % (index type(pageObj))) # <class 'PyPDF2.pdf.PageObject'>
# 获取 pageObject 在 PDF 文档中处于的页码
pageNumber = pdfFileReader.getPageNumber(pageObj)
print('pageNumber = %s ' % pageNumber)
结果：
这个类支持 PDF 文件，给出其他类生成的页面。
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time : 2020/11/26
# @Author : AlexZ33
# @Site :
# @File : pdf_write.py.py
# @Software: PyCharm
from PyPDF2 import PdfFileReader PdfFileWriter
def addBlankpage():
# 注意下面是linux系统下的文件位置
readFile = '/home/mi/personal/Python_script/data/nio.pdf'
outFile = '/home/mi/personal/Python_script/data//copy2.pdf'
# 注意下面是ｗｉｎｄｏｗｓ系统下的文件位置
# readFile = 'C:/Users/Administrator/Desktop/RxJava 完全解析.pdf'
# outFile = 'C:/Users/Administrator/Desktop/copy.pdf'
pdfFileWriter = PdfFileWriter()
# 获取 PdfFileReader 对象
pdfFileReader = PdfFileReader(readFile) # 或者这个方式：pdfFileReader = PdfFileReader(open(readFile 'rb'))
numPages = pdfFileReader.getNumPages()
for index in range(0 numPages):
pageObj = pdfFileReader.getPage(index)
pdfFileWriter.addPage(pageObj) # 根据每页返回的 PageObject 写入到文件
pdfFileWriter.write(open(outFile 'wb'))
pdfFileWriter.addBlankPage() # 在文件的最后一页写入一个空白页 保存至文件中
pdfFileWriter.write(open(outFile 'wb'))
# 注意此段代码文件过大时候无法写入
addBlankpage()
结果是：在写入的 copy.pdf 文档的最后最后一页写入了一个空白页。注意此段代码文件过大时候无法写入
分割文档（取第五页之后的页面）def splitPdf():
# 注意下面是linux系统下的文件位置
readFile = '/home/mi/personal/Python_script/data/nio.pdf'
outFile = '/home/mi/personal/Python_script/data//copy2.pdf'
# 注意下面是ｗｉｎｄｏｗｓ系统下的文件位置
# readFile = 'C:/Users/Administrator/Desktop/RxJava 完全解析.pdf'
# outFile = 'C:/Users/Administrator/Desktop/copy.pdf'
pdfFileWriter = PdfFileWriter()
# 获取 PdfFileReader 对象
pdfFileReader = PdfFileReader(readFile) # 或者这个方式：pdfFileReader = PdfFileReader(open(readFile 'rb'))
# 文档总页数
numPages = pdfFileReader.getNumPages()
if numPages > 5:
# 从第五页之后的页面，输出到一个新的文件中，即分割文档
for index in range(5 numPages):
pageObj = pdfFileReader.getPage(index)
pdfFileWriter.addPage(pageObj)
# 添加完每页，再一起保存至文件中
pdfFileWriter.write(open(outFile 'wb'))合并文档
def mergePdf(inFileList outFile):
'''
合并文档
:param inFileList: 要合并的文档的 list
:param outFile: 合并后的输出文件
:return:
'''
pdfFileWriter = PdfFileWriter()
for inFile in inFileList:
# 依次循环打开要合并文件
pdfReader = PdfFileReader(open(inFile 'rb'))
numPages = pdfReader.getNumPages()
for index in range(0 numPages):
pageObj = pdfReader.getPage(index)
pdfFileWriter.addPage(pageObj)
# 最后 统一写入到输出文件中
pdfFileWriter.write(open(outFile 'wb'))
PageObject
PageObject(pdf=None indirectRef=None)
此类表示 PDF 文件中的单个页面，通常这个对象是通过访问 PdfFileReader 对象的 getPage() 方法来得到的，也可以使用 createBlankPage() 静态方法创建一个空的页面。
参数：
- pdf : 页面所属的 PDF 文件。
- indirectRef：将源对象的原始间接引用存储在其源 PDF 中。
PageObject 对象的属性和方法
def getPdfContent(filename):
pdf = PdfFileReader(open(filename "rb"))
content = ""
for i in range(0 pdf.getNumPages()):
pageObj = pdf.getPage(i)
extractedText = pageObj.extractText()
content = extractedText "\n"
# return content.encode("ascii" "ignore")
return content部分细致讲解
我们可以使用open( )打开PDF文件，语法如下：
上述'./data/大数据时代.pdf'是要打开的文件路径，开档成功后会传回所打开PDF文件的文件对象
debug下，看看pdfObj是什么
打开PDF文件成功后，可以使用PdfFileReader( )方法读取这个PDF文件，下列是语法内容：
import PyPDF2
fn = './data/大数据时代.pdf' # 指定读取文件的路径
pdfObj = open(fn 'rb') # 'rb'表示以二进制打开
print(pdfObj)
pdfRd = PyPDF2.PdfFileReader(pdfObj) # 读取pdf内容
print("PDF页数= " pdfRd.numPages)
我们可以debug下看一看读取的pdf对象内容
运行下程序，获得结果 读者可检查页面，这个PDF文件的确是141页。
检查PDF是否被加密
初次执行“pdfRd = PyPDF2.PdfFileReader(pdfObj)”之后，pdfRd对象会有isEncryted属性，如果此属性是True，表示文件有加密。如果此属性是False，表示文件没有加密
import PyPDF2
fn = './data/大数据时代.pdf' # 指定读取文件的路径
fn_protected = './data/大数据时代-protected.pdf'
# pageObj = pdfRd.getPage() # 将第10页内容读入pageObj
# txt = pageObj.extractText()
# print(txt)
"""
检查PDF是否被加密
目录 ./data/大数据时代.pdf 文件没有加密
目录
"""
def encryptYorN(fn):
"""检查文件是否加密"""
pdfObj = open(fn 'rb') # 'rb'表示以二进制打开
# print(pdfObj)
pdfRd = PyPDF2.PdfFileReader(pdfObj) # 读取文件
# print("PDF页数= " pdfRd.numPages)
if pdfRd.isEncrypted: # 由这个属性判断是否加密
print("%s 文件有加密" % fn)
else:
print("%s 文件没有加密" % fn)
encryptYorN(fn)
encryptYorN(fn_protected )
对于加密的PDF文件，我们可以使用decrypt( )执行解密，如果解密成功decrypt( )会传回1，如果失败则传回0。
