PDF文档

PDF 表示 Portable Document Format，使用.pdf文件扩展名。虽然 PDF 支持许多功能，但本章将专注于最常做的两件事：从 PDF 读取文本内容和从已有的文档生成新的PDF。

用于处理 PDF 的模块是 PyPDF2 。要安装它，就从命令行运行 pip install PyPDF2 。这个模块名称是区分大小写的，所以要确保y是小写，其他字母都是大写。如果该模块安装正确，在交互式环境中运行import PyPDF2，应该不会显示任何错误。

PyPDF2 默认只能处理英文，如果想让 PyPDF2 能够处理中文，则需要小小改动一下源码（见附录）。

pip install PyPDF2
pip install pdfplumber

下载测试文件

点我下载

创建 PDF

在 PyPDF2 中，与 PdfReader 对象相对的是 PdfWriter 对象，它可以创建一个新的 PDF 文件。但 PyPDF2 不能将任意文本写入 PDF ，就像 Python 可以写入纯文本文件那样。PyPDF2 写入 PDF 的能力，仅限于从其他 PDF 中拷贝页面、旋转页面、重叠页面和加密文件。

模块不允许直接编辑 PDF。必须创建一个新的 PDF，然后从已有的文档拷贝内容。本节的例子将遵循这种一般方式：

1．打开一个或多个已有的 PDF（源PDF），得到 PdfReader 对象。

2．创建一个新的 PdfWriter 对象。

3．将页面从 PdfFileReader 对象拷贝到 PdfFileWriter 对象中。

4．最后，利用 PdfWrite r 对象写入输出的 PDF。

创建一个 PdfWriter 对象，只是在 Python 中创建了一个代表 PDF 文档的值，这并没有创建实际的 PDF 文件，要实际生成文件，必须调用 PdfWriter 对象的 write() 方法。

write() 方法接受一个普通的 File 对象，它以写二进制的模式打开。你可以用两个参数调用 Python 的 open() 函数，得到这样的 File 对象：一个是要打开的 PDF 文件名字符串，一个是 'wb' ，表明文件应该以写二进制的模式打开。

如果这听起来有些令人困惑，不用担心，在接下来的代码示例中，你会看到这种工作方式。

拷贝页面

可以利用 PyPDF2 ，从一个 PDF 文档拷贝页面到另一个 PDF 文档。这让你能够组合多个 PDF 文件，去除不想要的页面，或调整页面的次序。

from PyPDF2 import PdfReader, PdfWriter

"""分割前二十页"""
# 读取 pdf 文件
pdf_reader = PdfReader('金发科技2019年年报.pdf')
# 获取所有的总页数
for page in range(len(pdf_reader.pages)):
    # 创建一个 pdf 写入对象
    pdf_writer = PdfWriter()
    # 往写入对象中添加一页pdf内容
    pdf_writer.add_page(pdf_reader.pages[page])
    # 将 pdf 写入对象保存到本地
    with open(f'金发科技2019年年报 {page}.pdf', 'wb') as out:
        pdf_writer.write(out)
    # 写入前二十页就可以了
    if page > 20:
        break

提取多页写入一个文件

from PyPDF2 import PdfReader, PdfWriter

"""一次分割多页数据"""
pdf_reader = PdfReader('金发科技2019年年报.pdf')
pdf_writer = PdfWriter()
# 循环添加二十页数据
for page in range(20):
    pdf_writer.add_page(pdf_reader.pages[page])

with open('金发科技2019年年报20页.pdf', 'wb') as out:
    pdf_writer.write(out)

从 PDF 提取文本

PyPDF2 没有办法从 PDF 文档中提取图像、图表或其他媒体，但它可以提取文本，并将文本返回为 Python 字符串。为了开始学习 PyPDF2 的工作原理，我们将它用于一个示例 PDF

有问题的PDF格式

虽然PDF文件对文本布局非常好，让人们很容易打印并阅读，但软件要将它们解析为纯文本却并不容易。因此，PyPDF2从PDF提取文本时可能会出错，甚至根本不能打开某些PDF。遗憾的是，你对此没有什么办法，PyPDF2可能就是不能处理某些PDF文件。话虽这样说，我至今没有发现不能用PyPDF2打开的PDF文件。

import pdfplumber
import openpyxl

"""
    中文内容读取需要修改部分源码内容
"""
pdf_filename = '金发科技2019年年报20页.pdf'
with pdfplumber.open(pdf_filename) as pdf:
    """提取文字"""
    # 读取第一页数据
    first_page = pdf.pages[0]
    print(first_page.extract_text())
    for page in pdf.pages:
        print(page.extract_text())

    """提取表格"""
    # 第五页
    page_5 = pdf.pages[5 - 1]
    print(page_5.extract_table())

    # 第六页
    page_6 = pdf.pages[6 - 1]
    print(page_6.extract_tables())

    """
    1.打开文件金发科技2019年年报20页.pdf
    2.提取第5页的表格
    3.保存到 第五页表格.xlsx 文件
    """
    table = page_5.extract_table()
    workbook = openpyxl.Workbook()
    sheet = workbook.active
    for row in table:
        print(row)
        sheet.append(row)
    workbook.save('第五页表格.xlsx')

添加水印

PyPDF2 也可以将一页的内容叠加到另一页上，这可以用来在页面上添加公司标志、时间戳或水印。利用Python，很容易为多个文件添加水印，并且只针对程序指定的页面添加。

from PyPDF2 import PdfWriter, PdfReader
import copy

# 加载水印文件
watermark_paf = PdfReader('logo.pdf', strict=False)
watermark_page = watermark_paf.pages[len(watermark_paf.pages) - 1]

pdf_reader = PdfReader("金发科技2019年年报20页.pdf")
pdf_writer = PdfWriter()
"""
对每一页都进行合并水印的操作 ，注意.mergePage() 方法合成的页面顺序
下面的内容.mergePage(出现在上面的内容)
"""

for page in range(len(pdf_reader.pages)):
    original_page = pdf_reader.pages[page]
    # 复制一页水印
    new_page = copy.copy(watermark_page)
    # 合并水印
    new_page.merge_page(original_page)
    pdf_writer.add_page(new_page)

with open('金发科技2019年年报20页 加水印.pdf', 'wb') as out:
    pdf_writer.write(out)

加密 PDF

PdfFileWriter 对象也可以为 PDF 文档进行加密。

在调用 write() 方法保存文件之前，调用 encrypt() 方法，传入口令字符串。PDF 可以有一个用户口令（允许查看这个PDF）和一个拥有者口令（允许设置打印、注释、提取文本和其他功能的许可）。用户口令和拥有者口令分别是 encrypt() 的第一个和第二个参数。如果只传入一个字符串给 encrypt()，它将作为两个口令。

from PyPDF2 import PdfWriter, PdfReader

pdf_reader = PdfReader("Netease Q2 2019 Earnings Release-Final.pdf")
pdf_writer = PdfWriter()

for page in range(pdf_reader.getNumPages()):
    pdf_writer.addPage(pdf_reader.getPage(page))

"""在保存之前加密
pdf_writer.encrypt(密码)
"""
pdf_writer.encrypt('123456')
with open('encrypt.pdf', 'wb') as out:
    pdf_writer.write(out)

print('写入完毕')

解密 PDF

某些PDF文档有加密功能，以防止别人阅读，只有在打开文档时提供口令才能阅读。在交互式环境中输入以下代码，处理下载的PDF，它已经用口令rosebud加密：

"""读取时解密
pdf_reader.decrypt(密码)
"""
decrypt_reader = PdfReader('encrypt.pdf')
print('开始解密')
decrypt_reader.decrypt('123456')
print(decrypt_reader.getNumPages())
for page in range(decrypt_reader.getNumPages()):
    print(decrypt_reader.pages)

所有 PdfReader 对象都有一个 isEncrypted 属性，如果 PDF 是加密的，它就是 True，如果不是，它就是 False。在文件用正确的口令解密之前，尝试调用函数来读取文件，将会导致错误。

要读取加密的 PDF，就调用 decrypt() 函数，传入口令字符串。在用正确的口令调用 decrypt() 后，你会看到调用 get_page() 不再导致错误。如果提供了错误的口令，decrypt() 函数将返回0，并且 get_page() 会继续失败。请注意，decrypt() 方法只解密了 PdfReader 对象，而不是实际的 PDF 文件。在程序中止后，硬盘上的文件仍然是加密的。程序下次运行时，仍然需要再次调用 decrypt() 。