Python操作PDF文件：使用PyPDF2模块

翻滚的胖子
2023-05-25 13:48:55
后端技术
Java Python

PDF（Portable Document Format）是一种通用的文档格式，常用于文档的分享和打印。Python作为一种强大的程序语言，也可以用来操作PDF文件。本文将介绍如何使用Python语言操作PDF文件，主要使用PyPDF2模块。

一、PyPDF2模块

PyPDF2是一个用于处理PDF文件的Python库。它可以用于读取、拆分、合并、提取PDF文件中的文本和元数据等操作。可以使用pip命令进行安装：

pip install PyPDF2

安装完成后，就可以在Python中使用PyPDF2模块了。

1.1 PdfFileReader对象

要读取PDF文件，必须创建一个PdfFileReader对象。创建PdfFileReader对象的方式如下：

from PyPDF2 import PdfFileReader

pdf = PdfFileReader(open('example.pdf', 'rb'))

其中，open函数的第一个参数是PDF文件的路径，第二个参数是以二进制形式打开文件。创建成功后，可以通过getNumPages()方法获取PDF文件的总页数，如下所示：

print(pdf.getNumPages())

运行以上代码，会输出PDF文件的总页数。

1.2 提取PDF文本

PyPDF2模块还可以用于提取PDF文件中的文本信息。使用PdfFileReader对象的getPage()方法获取PDF文件的一页，然后使用extractText()方法提取文本，如下所示：

page = pdf.getPage(0)
print(page.extractText())

以上代码会输出PDF文件的第一页中的文本信息。

二、拆分PDF文件

PyPDF2还可以用于拆分PDF文件。使用PdfFileWriter对象的addPage()方法添加需要拆分的页面，然后使用write()方法将拆分后的页面写入新的PDF文件中，如下所示：

from PyPDF2 import PdfFileWriter

pdf_writer = PdfFileWriter()

for page_num in range(pdf.getNumPages()):
    pdf_writer.addPage(pdf.getPage(page_num))
    with open(f'page_{page_num}.pdf', 'wb') as output_pdf:
        pdf_writer.write(output_pdf)

以上代码会将PDF文件拆分为多个单页的PDF文件。

三、合并PDF文件

使用PyPDF2还可以合并多个PDF文件。使用PdfFileMerger对象的merge()方法将多个PDF文件合并为一个，如下所示：

from PyPDF2 import PdfFileMerger

pdf_merger = PdfFileMerger()

pdf_merger.append(open('file1.pdf', 'rb'))
pdf_merger.append(open('file2.pdf', 'rb'))

with open('merged_file.pdf', 'wb') as output_pdf:
    pdf_merger.write(output_pdf)

以上代码会将file1.pdf和file2.pdf合并为一个PDF文件merged_file.pdf。