Python基础学习教程：Python玩转PDF各种骚操作大全
Python基础学习教程：Python玩转PDF各种骚操作大全！
Portable Document Format（可移植文件格式），或者PDF是一种档案格式，可以用于跨操作系统的呈现和文件交换。尽管PDF最初是由Adobe发明的，但它现在是由国际标准化组织（ISO）维护的开放标准。你可以通过使用PyPDF2包在Python中处理已先存在的PDF。
PyPDF2是一个纯Python包，可用于许多不同型别的PDF操作。
这里一篇Python基础学习教程带你了解如何执行以下操作：
从Python中提取PDF中的文件资讯旋转页面合并PDF拆分PDF新增水印加密PDFPyPdf PyPDF2 PyPDF4的历史
最初的pyPdf软件包于2005年释出。pyPdf的最后一个正式版本是在2010年。大约一年后，一家名为Phasit的公司赞助了一个名为PyPDF2的pyPdf分支。该程式码编写为向后与原始程式码相容，并且用了好多年，效果一直很好，其最后一个版本是在2016年。
有一个名为PyPDF3的软件包简短系列版本，然后该专案被重新命名为PyPDF4。所有这些专案都完全相同，但pyPdf和PyPDF2 +之间的最大区别在于后者版本增加了Python 3支援。Python 3的原始pyPdf有一个不同的Python 3分支，但是这个分支已经多年没有维护了。
虽然最近放弃了PyPDF2，但新的PyPDF4与PyPDF2没有完全的向后相容性。本文中的大多数示例都可以与PyPDF4完美配合，但也有一些不能，这就是为什么PyPDF4在本文中没有更多的特色。随意用PyPDF4替换PyPDF2的汇入，看看它是如何工作的。
pdfrw：一个替代的PDF操作包
Patrick Maupin建立了一个名为pdfrw的软件包，它可以完成许多与PyPDF2相同的工作。除了加密的特殊情况外，本文后面提到PyPDF2的所有操作，pdfrw均可以实现。
pdfrw的最大区别在于它与ReportLab软件包整合，因此你可以使用一些或所有预先存在的PDF构建一个新的PDF。
PyPDF2的安装
如果使用Anaconda而不是常规Python，可以使用pip或conda安装PyPDF2。以下是使用pip安装PyPDF2的方法：
$ pip install pypdf2
由于PyPDF2没有任何依赖，因此安装非常快。
如何从Python****中提取PDF文件资讯
我们可以使用PyPDF2从PDF中提取元资料和一些文字，尤其是当在预先存在的PDF档案上执行某些型别的自动化时是非常有用的。
以下是当前可以提取的资料型别：
AuthorCreatorProducerSubjectTitleNumber of page可以在自己的电脑上随便找一个PDF档案进行尝试操作。下面是使用该PDF编写一些程式码，并了解如何访问这些属性：
from PyPDF2 import PdfFileReader
def extract_information(pdf_path):
with open(pdf_path, \'rb\') as f:
pdf = PdfFileReader(f)
information = pdf.getDocumentInfo
number_of_pages = pdf.getNumPages
txt = f"""
Information about {pdf_path}:
Author: {information.author}
Creator: {information.creator}
Producer: {information.producer}
Subject: {information.subject}
Title: {information.title}
Number of pages: {number_of_pages}
"""
print(txt)
return information
if __name__ == \'__main__\':
path = \'xxxx.pdf\'
extract_information(path)
首先从PyPDF2包汇入PdfFileReader。PdfFileReader是一个具有多种与PDF档案互动的方法的类。在此示例中，我们呼叫了.getDocumentInfo，它将返回DocumentInformation的例项,包含了我们感兴趣的大部分资讯。我们还可以在reader物件上呼叫.getNumPages，让它返回文件中的页数。
information这个变数具有多个例项属性，可以使用这些属性从文件中获取所需的其余元资料。我们可以打印出该资讯并将其返回以备将来使用。
虽然PyPDF2具有.extractText，可以在其页面物件上使用提取文字（本例中未显示），但它的效果不是很好。有些PDF会返回文字，有些会返回空字串。如果要从PDF中提取文字，建议应该看一下PDFMiner专案。PDFMiner更加强大，专门用于从PDF中提取文字。
如何旋转页面？
有时候PDF是横向模式而不是纵向模式，甚至是颠倒的。当有人扫描文件为PDF或电子邮件时，很可能会发生这种情况。我们可以打印出文件并阅读纸质版本，也可以使用Python的强大功能来旋转有问题的页面。
下面看一下如何使用PyPDF2旋转文章的一些页面：
from PyPDF2 import PdfFileReader, PdfFileWriter
def rotate_pages(pdf_path):
pdf_writer = PdfFileWriter
pdf_reader = PdfFileReader(path)
# 顺时针旋转90度
page_1 = pdf_reader.getPage(0).rotateClockwise(90)
pdf_writer.addPage(page_1)
# 逆时针旋转90度
page_2 = pdf_reader.getPage(1).rotateCounterClockwise(90)
pdf_writer.addPage(page_2)
# 在正常方向上新增一页
pdf_writer.addPage(pdf_reader.getPage(2))
with open(\'rotate_pages.pdf\', \'wb\') as fh:
pdf_writer.write(fh)
if __name__ == \'__main__\':
path = \'新路径.pdf\'
rotate_pages(path)
上面除了pdfileReader之外，还汇入了pdfileWriter，因为我们需要编写一个新的pdf。rotate_pages获取要修改的PDF的路径。在这个函式中，需要建立一个可以命名为pdf-writer的writer物件和一个名为pdf-reader的reader物件。
接下来，可以使用.get page获取所需的页面。上面开始输入了第0页，也就是第一页，呼叫page物件的.rotateClockwise顺时针旋转方法并输入90。然后同样地，对于第二页，呼叫.rotateCounterLockwise逆时针旋转并输入90。
每次呼叫Rotation旋转方法后，都会呼叫.addPage，这将向writer物件新增页面的旋转版本。最后一页是第3页，没有对其进行任何旋转。最后，使用.write把所有新页写入新的PDF。
如何合并PDF？
在许多情况下，我们希望将两个或多个PDF合并到一个PDF中。例如，现在可能有一个标准的封面，需要转到许多型别的报告中。这时候就可以使用python来帮助完成这类工作。
下面是实现的程式码，完成PDF合并的操作：
from PyPDF2 import PdfFileReader, PdfFileWriter
def merge_pdfs(paths, output):
pdf_writer = PdfFileWriter
for path in paths:
pdf_reader = PdfFileReader(path)
for page in range(pdf_reader.getNumPages):
# 将每页新增到writer物件
pdf_writer.addPage(pdf_reader.getPage(page))
# 写入合并的pdf
with open(output, \'wb\') as out:
pdf_writer.write(out)
if __name__ == \'__main__\':
paths = [\'document1.pdf\', \'document2.pdf\']
merge_pdfs(paths, output=\'merged.pdf\')
假如有一个要合并到一起的pdf列表时，可以直接使用merge_pdf函式完成。此函式采用了输入路径和输出路径作为引数。
首先遍历输入的paths，并为每个输入建立一个PDF阅读物件。然后遍历PDF档案中的所有页面，并使用.addpage将这些页面写入writer物件。当完成对列表中所有PDF的所有页面的写入后，将在末尾写入新的结果中。
如果不想合并每个PDF的所有页面，可以通过新增一系列要新增的页面来稍微增强这个指令码。挑战一点的话，也可以使用Python的argparse模组为这个函式建立一个命令列界面。
如何拆分PDF?
有时可能需要将PDF拆分为多个PDF，对于包含大量扫描内容的PDF来说尤其重要。以下是如何使用PyPDF2将PDF拆分为多个档案：
from PyPDF2 import PdfFileReader, PdfFileWriter
def split(path, name_of_split):
pdf = PdfFileReader(path)
for page in range(pdf.getNumPages):
pdf_writer = PdfFileWriter
pdf_writer.addPage(pdf.getPage(page))
output = f\'{name_of_split}{page}.pdf\'
with open(output, \'wb\') as output_pdf:
pdf_writer.write(output_pdf)
if __name__ == \'__main__\':
path = \'xxx.pdf\'
split(path, \'jupyter_page\')
这个函式中再次建立了PDF的reaer物件，并对其所读取的页面进行遍历。对于PDF中的每个页面，建立一个新的PDF的writer例项并向其新增单个页面。然后，将该页面写入一个唯一命名的档案。指令码执行完毕后，就可以将原始PDF的每个页面拆分为单独的PDF。
如何新增水印？
水印是纸质或者电子文件上的影象或图案，一些水印只能在特殊照明条件下才能看到。水印的重要性在于它可以保护你的知识产权，例如影象或PDF。
我们可以使用Python和PyPDF2为文件新增水印，而且是拥有仅包含水印影象或文字的PDF。下面是向PDF新增水印方法：
from PyPDF2 import PdfFileWriter, PdfFileReader
def create_watermark(input_pdf, output, watermark):
watermark_obj = PdfFileReader(watermark)
watermark_page = watermark_obj.getPage(0)
pdf_reader = PdfFileReader(input_pdf)
pdf_writer = PdfFileWriter
# 给所有页面新增水印
for page in range(pdf_reader.getNumPages):
page = pdf_reader.getPage(page)
page.mergePage(watermark_page)
pdf_writer.addPage(page)
with open(output, \'wb\') as out:
pdf_writer.write(out)
if __name__ == \'__main__\':
create_watermark(
input_pdf=\'Jupyter_Notebook_An_Introduction.pdf\',
output=\'watermarked_notebook.pdf\',
watermark=\'watermark.pdf\')
上面create_watermark有三个引数：
input_pdf：要加水印的PDF档案路径output：要储存PDF的水印版本的路径watermark：包含水印影象或文字的PDF在程式码中，开启水印PDF并从文件中抓取第一页，因为这是水印应该驻留的位置。然后使用input_pdf和通用pdf_writer物件建立PDF的writer物件，以写出带水印的PDF。
下一步是遍历input_pdf中的页面，然后呼叫.mergePage并以用上面读取的水印物件watermark_page为引数，这样会将watermark_page覆盖在当前页面的顶部，然后再将新合并的页面新增到pdf_writer物件中。遍历完成后，最后将新加水印的PDF写入磁盘。
如何加密PDF？
PyPDF2目前仅支援将使用者密码和所有者密码新增到预先存在的PDF。在PDF版本中，所有者密码会提供PDF的管理员许可权，并允许设定文件的许可权，而使用者密码只允许开启文件。
实际上，PyPDF2是不允许设定文件的任何许可权的，即使它允许设定所有者密码的情况下。但无论如何，这是可以加密的方式，也将固有地加密PDF：
from PyPDF2 import PdfFileWriter, PdfFileReader
def add_encryption(input_pdf, output_pdf, password):
pdf_writer = PdfFileWriter
pdf_reader = PdfFileReader(input_pdf)
for page in range(pdf_reader.getNumPages):
pdf_writer.addPage(pdf_reader.getPage(page))
pdf_writer.encrypt(user_pwd=password, owner_pwd=None,
use_128bit=True)
with open(output_pdf, \'wb\') as fh:
pdf_writer.write(fh)
if __name__ == \'__main__\':
add_encryption(input_pdf=\'reportlab-sample.pdf\',
output_pdf=\'reportlab-encrypted.pdf\',
password=\'twofish\')
add_encryption以输入输出PDF路径和要新增到PDF的密码为引数。由于需要加密整个输入PDF，因此需要遍历其所有页面并将其新增到writer编写器。最后一步是呼叫.encrypt，以使用者密码，所有者密码以及是否应该新增128位加密为引数。预设情况下，要启用128位加密。如果将其设定为False，则将应用40位加密。
结论
PyPDF2包非常有用，可以使用PyPDF2自动执行指令码完成PDF文件的批量操作。本文介绍了如何从PDF中提取元资料，旋转页面，合并和拆分PDF，新增水印，以及新增加密的操作。
同时，还要关注较新的PyPDF4包，因为它很快就会取代PyPDF2。也可以看看pdfrw包，它也可以执行许多与PyPDF2相同的操作。
