如何使用Python玩轉PDF各種騷操作？

Portable Document Format（可移植文檔格式），或者PDF是一種文件格式，可以用於跨操作系統的呈現和文檔交換。儘管PDF最初是由Adobe發明的，但它現在是由國際標準化組織（ISO）維護的開放標準。你可以通過使用PyPDF2包在Python中處理已先存在的PDF。

本文將帶你了解如何執行以下操作：

從Python中提取PDF中的文檔信息

• 旋轉頁面
• 合併PDF
• 拆分PDF
• 添加水印
• 加密PDF

pyPdf，PyPDF2和PyPDF4的歷史

最初的pyPdf軟體包於2005年發布。pyPdf的最後一個正式版本是在2010年。大約一年後，一家名為Phasit的公司贊助了一個名為PyPDF2的pyPdf分支。該代碼編寫為向後與原始代碼兼容，並且用了好多年，效果一直很好，其最後一個版本是在2016年。

有一個名為PyPDF3的軟體包簡短系列版本，然後該項目被重命名為PyPDF4。所有這些項目都完全相同，但pyPdf和PyPDF2 +之間的最大區別在於後者版本增加了Python 3支持。Python 3的原始pyPdf有一個不同的Python 3分支，但是這個分支已經多年沒有維護了。

雖然最近放棄了PyPDF2，但新的PyPDF4與PyPDF2沒有完全的向後兼容性。本文中的大多數示例都可以與PyPDF4完美配合，但也有一些不能，這就是為什麼PyPDF4在本文中沒有更多的特色。隨意用PyPDF4替換PyPDF2的導入，看看它是如何工作的。

pdfrw：一個替代的PDF操作包

Patrick Maupin創建了一個名為pdfrw的軟體包，它可以完成許多與PyPDF2相同的工作。除了加密的特殊情況外，本文後面提到PyPDF2的所有操作，pdfrw均可以實現。

pdfrw的最大區別在於它與ReportLab軟體包集成，因此你可以使用一些或所有預先存在的PDF構建一個新的PDF。

PyPDF2的安裝

如果使用Anaconda而不是常規Python，可以使用pip或conda安裝PyPDF2。以下是使用pip安裝PyPDF2的方法：

$pip install pypdf2

由於PyPDF2沒有任何依賴，因此安裝非常快。

如何從Python中提取PDF文檔信息

我們可以使用PyPDF2從PDF中提取元數據和一些文本，尤其是當在預先存在的PDF文件上執行某些類型的自動化時是非常有用的。

以下是當前可以提取的數據類型：

• Author
• Creator
• Producer
• Subject
• Title
• Number of page

可以在自己的電腦上隨便找一個PDF文件進行嘗試操作。下面是使用該PDF編寫一些代碼，並了解如何訪問這些屬性：

首先從PyPDF2包導入PdfFileReader。PdfFileReader是一個具有多種與PDF文件交互的方法的類。在此示例中，我們調用了.getDocumentInfo()，它將返回DocumentInformation的實例,包含了我們感興趣的大部分信息。我們還可以在reader對象上調用.getNumPages()，讓它返迴文檔中的頁數。

information這個變數具有多個實例屬性，可以使用這些屬性從文檔中獲取所需的其餘元數據。我們可以列印出該信息並將其返回以備將來使用。

雖然PyPDF2具有.extractText()，可以在其頁面對象上使用提取文本（本例中未顯示），但它的效果不是很好。有些PDF會返迴文本，有些會返回空字元串。如果要從PDF中提取文本，建議應該看一下PDFMiner項目。PDFMiner更加強大，專門用於從PDF中提取文本。

如何旋轉頁面？

有時候PDF是橫向模式而不是縱向模式，甚至是顛倒的。當有人掃描文檔為PDF或電子郵件時，很可能會發生這種情況。我們可以列印出文檔並閱讀紙質版本，也可以使用Python的強大功能來旋轉有問題的頁面。

下面看一下如何使用PyPDF2旋轉文章的一些頁面：

上面除了pdfileReader之外，還導入了pdfileWriter，因為我們需要編寫一個新的pdf。rotate_pages()獲取要修改的PDF的路徑。在這個函數中，需要創建一個可以命名為pdf-writer的writer對象和一個名為pdf-reader的reader對象。

接下來，可以使用.get page()獲取所需的頁面。上面開始輸入了第0頁，也就是第一頁，調用page對象的.rotateClockwise()順時針旋轉方法並輸入90。然後同樣地，對於第二頁，調用.rotateCounterLockwise()逆時針旋轉並輸入90。

每次調用Rotation旋轉方法後，都會調用.addPage()，這將向writer對象添加頁面的旋轉版本。最後一頁是第3頁，沒有對其進行任何旋轉。最後，使用.write()把所有新頁寫入新的PDF。

如何合併PDF？

在許多情況下，我們希望將兩個或多個PDF合併到一個PDF中。例如，現在可能有一個標準的封面，需要轉到許多類型的報告中。這時候就可以使用python來幫助完成這類工作。

下面是實現的代碼，完成PDF合併的操作：

假如有一個要合併到一起的pdf列表時，可以直接使用merge_pdf函數完成。此函數採用了輸入路徑和輸出路徑作為參數。

首先遍歷輸入的paths，並為每個輸入創建一個PDF閱讀對象。然後遍歷PDF文件中的所有頁面，並使用.addpage()將這些頁面寫入writer對象。當完成對列表中所有PDF的所有頁面的寫入後，將在末尾寫入新的結果中。

如果不想合併每個PDF的所有頁面，可以通過添加一系列要添加的頁面來稍微增強這個腳本。挑戰一點的話，也可以使用Python的argparse模塊為這個函數創建一個命令行介面。

如何拆分PDF?

有時可能需要將PDF拆分為多個PDF，對於包含大量掃描內容的PDF來說尤其重要。以下是如何使用PyPDF2將PDF拆分為多個文件：

這個函數中再次創建了PDF的reaer對象，並對其所讀取的頁面進行遍歷。對於PDF中的每個頁面，創建一個新的PDF的writer實例並向其添加單個頁面。然後，將該頁面寫入一個唯一命名的文件。腳本運行完畢後，就可以將原始PDF的每個頁面拆分為單獨的PDF。

如何添加水印？

水印是紙質或者電子文檔上的圖像或圖案，一些水印只能在特殊照明條件下才能看到。水印的重要性在於它可以保護你的知識產權，例如圖像或PDF。

我們可以使用Python和PyPDF2為文檔添加水印，而且是擁有僅包含水印圖像或文本的PDF。下面是向PDF添加水印方法：

上面create_watermark有三個參數：

• input_pdf：要加水印的PDF文件路徑
• output：要保存PDF的水印版本的路徑
• watermark：包含水印圖像或文本的PDF

在代碼中，打開水印PDF並從文檔中抓取第一頁，因為這是水印應該駐留的位置。然後使用input_pdf和通用pdf_writer對象創建PDF的writer對象，以寫出帶水印的PDF。

下一步是遍歷input_pdf中的頁面，然後調用.mergePage()並以用上面讀取的水印對象watermark_page為參數，這樣會將watermark_page覆蓋在當前頁面的頂部，然後再將新合併的頁面添加到pdf_writer對象中。遍歷完成後，最後將新加水印的PDF寫入磁碟。

如何加密PDF？

PyPDF2目前僅支持將用戶密碼和所有者密碼添加到預先存在的PDF。在PDF版本中，所有者密碼會提供PDF的管理員許可權，並允許設置文檔的許可權，而用戶密碼只允許打開文檔。

實際上，PyPDF2是不允許設置文檔的任何許可權的，即使它允許設置所有者密碼的情況下。但無論如何，這是可以加密的方式，也將固有地加密PDF：

add_encryption以輸入輸出PDF路徑和要添加到PDF的密碼為參數。由於需要加密整個輸入PDF，因此需要遍歷其所有頁面並將其添加到writer編寫器。最後一步是調用.encrypt()，以用戶密碼，所有者密碼以及是否應該添加128位加密為參數。默認情況下，要啟用128位加密。如果將其設置為False，則將應用40位加密。

結論

PyPDF2包非常有用，可以使用PyPDF2自動執行腳本完成PDF文檔的批量操作。本文介紹了如何從PDF中提取元數據，旋轉頁面，合併和拆分PDF，添加水印，以及添加加密的操作。

同時，還要關注較新的PyPDF4包，因為它很快就會取代PyPDF2。也可以看看pdfrw包，它也可以執行許多與PyPDF2相同的操作。

轉自：

https://mp.weixin.qq.com/s?timestamp=1558615181&src=3&ver=1&signature=UhPkw3*LotSg-0-oHEqyo74VfsoLVqIgZyooyHn*Y7XujIuk4*l8-oxweccoz9k1lCKpkpa*5RIfrgK*B42Vk0volRePwxdxG-sLnD*wdEB2L3nLjfQWCfGuYsQ7dR8tQpo0miSniZOj3li*LhNlFzxCO9-MkaoV0ZlOhP7aNFI=?

mp.weixin.qq.com

推薦閱讀：