實際應用中，可能會涉及處理 pdf 文件，PyPDF2 就是這樣一個庫，使用它可以輕松的處理 pdf 文件，它提供了讀，割，合並，文件轉換等多種操作。
文檔地址：http://pythonhosted.org/PyPDF2/
PyPDF2 安裝
PyCharm 安裝：File -> Default Settings -> Project Interpreter
PdfFileReader
構造方法：
PyPDF2.PdfFileReader(stream,strict = True,warndest = None,overwriteWarnings = True)
1
初始化一個 PdfFileReader 對象，此操作可能需要一些時間，因為 PDF 流的交叉引用表被讀入內存。
參數：
stream：*File 對象或支持與 File 對象類似的標准讀取和查找方法的對象，也可以是表示 PDF 文件路徑的字符串。*
strict（bool）： 確定是否應該警告用戶所用的問題，也導致一些可糾正的問題是致命的，默認是 True
warndest : 記錄警告的目標(默認是 sys.stderr)
overwriteWarnings(bool)：確定是否 warnings.py 用自定義實現覆蓋 Python 模塊（默認為 True）
PdfFileReader 對象的屬性和方法
屬性和方法 描述
getDestinationPageNumber(destination) 檢索給定目標對象的頁碼
getDocumentInfo() 檢索 PDF 文件的文檔信息字典
getFields(tree = None,retval = None,fileObj= None) 如果此 PDF 包含交互式表單字段，則提取字段數據，
getFormTextFields() 從文檔中檢索帶有文本數據（輸入，下拉列表）的表單域
getNameDestinations(tree = None,retval= None) 檢索文檔中的指定目標
getNumPages() 計算此 PDF 文件中的頁數
getOutlines(node = None,outline = None,) 檢索文檔中出現的文檔大綱
getPage(pageNumber) 從這個 PDF 文件中檢索指定編號的頁面
getPageLayout() 獲取頁面布局
getPageMode() 獲取頁面模式
getPageNumber(pageObject) 檢索給定 pageObject 處於的頁碼
getXmpMetadata() 從 PDF 文檔根目錄中檢索 XMP 數據
isEncrypted 顯示 PDF 文件是否加密的只讀布爾屬性
namedDestinations 訪問該getNamedDestinations()函數的只讀屬性
PDF 讀取操作：
# encoding:utf-8
from PyPDF2 import PdfFileReader, PdfFileWriter
readFile = 'C:/Users/Administrator/Desktop/RxJava 完全解析.pdf'
# 獲取 PdfFileReader 對象
pdfFileReader = PdfFileReader(readFile) # 或者這個方式：pdfFileReader = PdfFileReader(open(readFile, 'rb'))
# 獲取 PDF 文件的文檔信息
documentInfo = pdfFileReader.getDocumentInfo()
print('documentInfo = %s' % documentInfo)
# 獲取頁面布局
pageLayout = pdfFileReader.getPageLayout()
print('pageLayout = %s ' % pageLayout)
# 獲取頁模式
pageMode = pdfFileReader.getPageMode()
print('pageMode = %s' % pageMode)
xmpMetadata = pdfFileReader.getXmpMetadata()
print('xmpMetadata = %s ' % xmpMetadata)
# 獲取 pdf 文件頁數
pageCount = pdfFileReader.getNumPages()
print('pageCount = %s' % pageCount)
for index in range(0, pageCount):
# 返回指定頁編號的 pageObject
pageObj = pdfFileReader.getPage(index)
print('index = %d , pageObj = %s' % (index, type(pageObj))) # <class 'PyPDF2.pdf.PageObject'>
# 獲取 pageObject 在 PDF 文檔中處於的頁碼
pageNumber = pdfFileReader.getPageNumber(pageObj)
print('pageNumber = %s ' % pageNumber)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
輸出結果:
documentInfo = {'/Title': IndirectObject(157, 0), '/Producer': IndirectObject(158, 0), '/Creator': IndirectObject(159, 0), '/CreationDate': IndirectObject(160, 0), '/ModDate': IndirectObject(160, 0), '/Keywords': IndirectObject(161, 0), '/AAPL:Keywords': IndirectObject(162, 0)}
pageLayout = None
pageMode = None
xmpMetadata = None
pageCount = 3
index = 0 , pageObj = <class 'PyPDF2.pdf.PageObject'>
pageNumber = 0
index = 1 , pageObj = <class 'PyPDF2.pdf.PageObject'>
pageNumber = 1
index = 2 , pageObj = <class 'PyPDF2.pdf.PageObject'>
pageNumber = 2
1
2
3
4
5
6
7
8
9
10
11
PdfFileWriter
這個類支持 PDF 文件，給出其他類生成的頁面。
屬性和方法 描述
addAttachment(fname,fdata) 在 PDF 中嵌入文件
addBlankPage(width= None,height=None) 追加一個空白頁面到這個 PDF 文件並返回它
addBookmark(title,pagenum,parent=None,
color=None,bold=False,italic=False,fit=’/fit,*args’)
addJS(javascript) 添加將在打開此 PDF 是啟動的 javascript
addLink(pagenum,pagedest,rect,border=None,fit=’/fit’,*args) 從一個矩形區域添加一個內部鏈接到指定的頁面
addPage(page) 添加一個頁面到這個PDF 文件，該頁面通常從 PdfFileReader 實例獲取
getNumpages() 頁數
getPage(pageNumber) 從這個 PDF 文件中檢索一個編號的頁面
insertBlankPage(width=None,height=None,index=0) 插入一個空白頁面到這個 PDF 文件並返回它，如果沒有指定頁面大小，就使用最后一頁的大小
insertPage(page,index=0) 在這個 PDF 文件中插入一個頁面，該頁面通常從 PdfFileReader 實例獲取
removeLinks() 從次數出中刪除連接盒注釋
removeText(ignoreByteStringObject = False) 從這個輸出中刪除圖像
write(stream) 將添加到此對象的頁面集合寫入 PDF 文件
PDF 寫入操作：
def addBlankpage():
readFile = 'C:/Users/Administrator/Desktop/RxJava 完全解析.pdf'
outFile = 'C:/Users/Administrator/Desktop/copy.pdf'
pdfFileWriter = PdfFileWriter()
# 獲取 PdfFileReader 對象
pdfFileReader = PdfFileReader(readFile) # 或者這個方式：pdfFileReader = PdfFileReader(open(readFile, 'rb'))
numPages = pdfFileReader.getNumPages()
for index in range(0, numPages):
pageObj = pdfFileReader.getPage(index)
pdfFileWriter.addPage(pageObj) # 根據每頁返回的 PageObject,寫入到文件
pdfFileWriter.write(open(outFile, 'wb'))
pdfFileWriter.addBlankPage() # 在文件的最后一頁寫入一個空白頁,保存至文件中
pdfFileWriter.write(open(outFile,'wb'))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
結果是：在寫入的 copy.pdf 文檔的最后最后一頁寫入了一個空白頁。
分割文檔（取第五頁之后的頁面）
def splitPdf():
readFile = 'C:/Users/Administrator/Desktop/RxJava 完全解析.pdf'
outFile = 'C:/Users/Administrator/Desktop/copy.pdf'
pdfFileWriter = PdfFileWriter()
# 獲取 PdfFileReader 對象
pdfFileReader = PdfFileReader(readFile) # 或者這個方式：pdfFileReader = PdfFileReader(open(readFile, 'rb'))
# 文檔總頁數
numPages = pdfFileReader.getNumPages()
if numPages > 5:
# 從第五頁之后的頁面，輸出到一個新的文件中，即分割文檔
for index in range(5, numPages):
pageObj = pdfFileReader.getPage(index)
pdfFileWriter.addPage(pageObj)
# 添加完每頁，再一起保存至文件中
pdfFileWriter.write(open(outFile, 'wb'))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
合並文檔
def mergePdf(inFileList, outFile):
'''
合並文檔
:param inFileList: 要合並的文檔的 list
:param outFile: 合並后的輸出文件
:return:
'''
pdfFileWriter = PdfFileWriter()
for inFile in inFileList:
# 依次循環打開要合並文件
pdfReader = PdfFileReader(open(inFile, 'rb'))
numPages = pdfReader.getNumPages()
for index in range(0, numPages):
pageObj = pdfReader.getPage(index)
pdfFileWriter.addPage(pageObj)
# 最后,統一寫入到輸出文件中
pdfFileWriter.write(open(outFile, 'wb'))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
PageObject
PageObject(pdf=None,indirectRef=None)
1
此類表示 PDF 文件中的單個頁面，通常這個對象是通過訪問 PdfFileReader 對象的 getPage() 方法來得到的，也可以使用 createBlankPage() 靜態方法創建一個空的頁面。
參數：
pdf : 頁面所屬的 PDF 文件。
indirectRef：將源對象的原始間接引用存儲在其源 PDF 中。
PageObject 對象的屬性和方法
屬性或方法 描述
static createBlankPage(pdf=None,width=None,height=None) 返回一個新的空白頁面
extractText() 找到所有文本繪圖命令，按照他們在內容流中提供的順序，並提取文本
getContents() 訪問頁面內容，返回 Contents 對象或 None
rotateClockwise(angle) 順時針旋轉 90 度
scale(sx,sy) 通過向其內容應用轉換矩陣並更新頁面大小
粗略讀取 PDF 文本內容
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 conten
---------------------
from：https://blog.csdn.net/xingxtao/article/details/79056341