python处理操作pdf全攻略

本篇聊下Python对pdf的各种操作，包含pdf转word，pdf转图片，pdf翻转，加密，加水印等。

pdf转换word文档 保留格式

pdf转换为word文档，被大众经常使用的是纯Python库pdfminer和python-docx搭配使用，不过pdfminer转换成word，会丢失原来的pdf格式（图片和样式会丢失），只能是一个纯文本的。

比如下面是一个pdf文档，是一个目录索引样式。

使用pdfminer和python-docx转换的话样式会丢失，如下。

为了研究怎么保留样式，我花了好些时间，最终测试验证了一种能接受的方案：使用libreoffice

libreoffice是一个免费的办公软件，能打开和操作docx,ppt,pdf等，提供不同文档格式之间的转换，而且支持命令行。

支持命令行的话，我们就能通过python的os.system()等方法调用libreoffice软件去做文档转换工作了。

首先要安装libreoffice:

下载地址如下：

https://zh-cn.libreoffice.org/download/libreoffice-still/

windows,linux,max三种版本都有。

安装成功后，在libreoffice/program 目录下面有个soffice.exe命令，我们就是用python调用soffice来做pdf和word转换。来测试一下pdf转word功能。

import os
os.system('D:\Program Files\libreoffice\program\soffice --infilter=writer_pdf_import --convert-to docx D:\code\pdf\ss.pdf --outdir D:\code\pdf')

上面的命令是把ss.pdf 转换成docx格式，保存在D:\code\pdf\ 目录里，文件名是跟pdf同名，只是文件会变成.docx 。

来打开转换后的docx文档看一下，样式保留得还可以，要用office2007以上版本打开，office2003的打开样式有问题。

libreoffice转换的缺点是，不报错，你不知道是否转换成功。还有表格和多图的转换还有瑕疵。转换耗时会随着文档页数快速增加。

 

pdf转word文档 不保留格式

不保留格式，只需要文本的话，就直接使用 pdfminer和python-docx两个库搭配就好。pdfminer把pdf里的文字内容抽取出来，python-docx负责把抽取出来的写进word文档里。

from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfinterp import process_pdf
from io import StringIOf
from docx import Document

def remove_characters(content):
    mpa = dict.fromkeys(range(32))
    return content.translate(mpa)
    
def convert_pdf_to_txt(path):
    with open(path,'rb') as f:
        rsrcmgr = PDFResourceManager()
        retstr = StringIO()
        laparams = LAParams()
        device = TextConverter(rsrcmgr, retstr, laparams=laparams)
        
        process_pdf(rsrcmgr, device, f)
        text = retstr.getvalue()
        device.close()
        retstr.close()
        return text
        
def convert_txt_to_doc(text, doc_path):
    doc = Document()
    for line in text.split('\n'):
        paragraph = doc.add_paragraph()
        paragraph.add_run(remove_characters(line))
    doc.save(doc_path)

def convert():
    text = convert_pdf_to_txt('d:/sphinx_doc_zhcn.pdf')
    convert_txt_to_doc(text, 'd:/test.docx')

convert()

写进word文档之前要把内容split分行，不然内容全都在一行，没有段落。还有要删掉一些乱七八糟的控制字符，不然保存word文档的时候要报错。

当然你需要使用pip install pdfminer 和 python-docx 这两个库。

 

pdf转图片

把pdf转换成图片的方案很多，比如wand库、PythonMagick等都能实现，pdf转图片的方案选择主要是考虑转换性能和图片质量上。转换一个几百K的pdf文档分辨不出哪个好使，如果是批量转换成百上千个pdf文档，又或者是转换一个几十M大小的pdf文档时就有优劣。

如果想程序简单和转换后的图片质量还OK，可使用pdf2image + Poppler 方案。Poppler 是一个处理pdf文档很有用的库，支持windows/linux/mac 。pdf2image是一个wrapper，提供调用Poppler的python接口。

首先要下载Poppler

https://blog.alivate.com.au/poppler-windows/

windows用户下载带x86字样的。

下载解压后，要把poppler下的bin目录绝对路劲加入到系统环境变量里，

比如我的是 D:\Program Files\poppler-0.68.0\bin ，要加入到系统环境变量Path变量里。不然pdf2image不知道去哪儿调用poppler。

然后安装pdf2image

pip install pdf2image

最后调用运行

from pdf2image import convert_from_path

pages = convert_from_path('D:/test/18.pdf')
for i, page in enumerate(pages):
    page.save('D:/test/18_{}.jpg'.format(str(i)), 'JPEG')

不过这种方法要处理十几M以上的pdf时，我亲测慢如蜗牛，内存还可能不够。处理大文件可以使用ghostscript，也是一个c程序，速度还过得去，我用它一次批处理数千个十几M pdf文档也花了好几个小时。这里就不再赘述如何使用ghostscript了。

读取pdf文档元信息

比如获取文档作者，主题，创作时间，文档页数等等。

这里使用经典的PyPDF2库来操作，下面的操作都PyPDF2完成，当然你需要先安装，

pip install PyPDF2

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

extract_information('D:/download/zj/2018.pdf')

 

翻转pdf

对pdf文档向左向右翻转90度，并保存为一个新的文档。

from PyPDF2 import PdfFileReader, PdfFileWriter

def rotate_pages(pdf_path):
    # 新建一个空白pdf    
    pdf_writer = PdfFileWriter()
    
    # 读取要翻转的pdf
    pdf_reader = PdfFileReader(path)
    
    # 把pdf第一页向右翻转90度并写入新建的空白pdf里    
    page_1 = pdf_reader.getPage(0).rotateClockwise(90)    
    pdf_writer.addPage(page_1)
    
    # 把pdf第二页向左翻转90度并写入新建的空白pdf里   
     page_2 = pdf_reader.getPage(1).rotateCounterClockwise(90)    
     pdf_writer.addPage(page_2)
     
     # 把pdf第三页不翻转正常写入    
     pdf_writer.addPage(pdf_reader.getPage(2))
     
     # 把新建的pdf文档保存到本地
     with open('D:/download/rotate_pages.pdf', 'wb') as fh:
         pdf_writer.write(fh)
 
rotate_pages('D:/download/zj/18.pdf')

从上面读取pdf文档元信息和翻转pdf可以看出，操作PyPDF2来读取和写入pdf的方法分别是PdfFileReader和PdfFileWriter

 

合并pdf文档

把多个pdf文档合并成一个，操作方法也很简单，仍然是先使用PdfFileReader方法读取pdf每一个页面，然后用PdfFileWriter写入一个到新的pdf文档中。

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()): 
            pdf_writer.addPage(pdf_reader.getPage(page))
    
    with open(output, 'wb') as out:
        pdf_writer.write(out)
 
paths = ['d:/test/1.pdf', 'd:/test/2.pdf']
merge_pdfs(paths, output='d:/test/merged.pdf')

 

拆分pdf分档

把一个pdf文档拆分成多个，操作思路都差不多，先用PdfFileReader读取pdf文档，再用PdfFileWriter把每一页写入新的。

下面的例子是把一个pdf文档每一页都拆分成一个pdf文档，按文件页数来命令新的文档。

from PyPDF2 import PdfFileReader, PdfFileWriter
def split(path):
    pdf = PdfFileReader(path)
    for page in range(pdf.getNumPages()):
        pdf_writer = PdfFileWriter()
        pdf_writer.addPage(pdf.getPage(page))  
              
        output = f'{page}.pdf'
        with open(output, 'wb') as output_pdf:
            pdf_writer.write(output_pdf)
split('d:/test/test.pdf')

 

给pdf文档添加水映

可以调用mergePage()方法给pdf文档加水印，PyPDF2的操作方法是把一个水印pdf文档(这个pdf文档里只有水印，水印可以是文字或图片)，重叠到待加水印的pdf文档中，其实就是把两个pdf页面重叠在一起。

如下程序是给每一个页面都加上水印。

from PyPDF2 import PdfFileWriter, PdfFileReader

def create_watermark(input_pdf, output, watermark):
    #读取只有水印的那个文档
    watermark_obj = PdfFileReader(watermark)
    watermark_page = watermark_obj.getPage(0)
    
    # 读取待加水印的文档
    pdf_reader = PdfFileReader(input_pdf)
    pdf_writer = PdfFileWriter()    
    
    # 给每一个页面都加上水印
    for page in range(pdf_reader.getNumPages()):        
        page = pdf_reader.getPage(page)        
        page.mergePage(watermark_page)        
        pdf_writer.addPage(page)    
    
    # 保存为新的文档
    with open(output, 'wb') as out:
        pdf_writer.write(out)

create_watermark(input_pdf='D:/code/pdf/sphinx.pdf', 
                output='D:/code/pdf/watermarked_sphinx.pdf',
                watermark='D:/download/zj/watermark.pdf')

如下，我有一个水印文档watermark.pdf，里面只有猿人学三个字。

把它加入到sphinx.pdf的效果是：

PS：要保持加水印后的文档视觉效果好看，需要对水印做一些处理的，比如对水印文字或图片要透明处理，不然文档没法看。

 

给pdf文档加密

给你一个pdf文档加密也很简单，调用encrypt()方法即可。

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))
    
    # 加密    
    pdf_writer.encrypt(user_pwd=password, owner_pwd=None, use_128bit=True)
    with open(output_pdf, 'wb') as fh:        
        pdf_writer.write(fh)

add_encryption(input_pdf='no_password.pdf',
               output_pdf='password.pdf',
               password='yuanrenxue')

加密之后，如何解密打开呢？

from PyPDF2 import PdfFileReader

pdfFile = open('password.pdf','rb')
pdfReader = PdfFileReader(pdfFile) 

#为True表示是加密文档 yuanrenxue 是密码
if pdfReader.isEncrypted:   
    pdfReader.decrypt('yuanrenxue')

上面可以看出，PyPDF2库是不能对pdf文本内容进行写操作，只能对pdf文档进行读取，页面拷贝，加解密，新建pdf文档操作。

 

Done ，终于说完了，写python教程技术类的文章挺繁琐的，程序要调试，还要截图，花了数小时，还是写鸡汤文快速。

 

我的公众号：猿人学 Python 上会分享更多心得体会，敬请关注。

***版权申明:若没有特殊说明，文章皆是猿人学 yuanrenxue.con 原创，没有猿人学授权，请勿以任何形式转载。***