本次学习的内容主要是:从PDF读取文本内容和从已经有的文档生成新的PDF。 需要用到的模块是PyPDF2. 首先要在命令行中运行pip install PyPDF2. 一、从PDF读取文本 PyPDF2无法从pdf文档中提取图像,图表和其他媒体,但是它可以提取文本,并且将文本返回为python字符串。 import PyPDF2 # ===============从pdf中提取文本=========== pdffile= open(r'E:\python让繁琐的工作自动化\13_处理pdf和word文档\data\meetingminutes.pdf','rb')# 读取pdf文件 pdfreader= PyPDF2.PdfFileReader(pdffile)# 读入到 print(pdfreader.numPages)# 读取pdf页数======19 读取pdf文件的页数是: 获取第一页的内容: page0= pdfreader.getPage(0)#获取第1页,第一页是0 print(page0.extractText())# 获取第2页的内容,返回的是字符串 内容是 二、解密PDF 某些文档有加密功能,为了防止别人阅读,只有在打开文档的时候提供口令才能阅读。我打开的文件的加密口令是rosebud. 其实在读取一个pdf文件是首先应该确定它是否加密了。如果加密,isEncrypted属性就会返回True.此时就需要口令了。 # 某些pdf文件是加密的,防止别人阅读的,只有打开文档的时候提供口令才能阅读 pdf_reader= PyPDF2.PdfFileReader(open(r'E:\python让繁琐的工作自动化\13_处理pdf和word文档\data\encrypted.pdf','rb')) print(pdf_reader.isEncrypted)# 文件是否加密 返回的结果是: 如果这时候不输入口令就获取内容的话。 print(pdf_reader.getPage(0))# PyPDF2.utils.PdfReadError: file has not been decrypted 文件还没有解锁 会提示出现错误。 此时调用decrypt方法,输入口令,再读取就可以啦。 print(pdf_reader.decrypt('rosebud'))# rosebud==正确口令显示1,其他显示0 page_obj= pdf_reader.getPage(0)# 这样才能正确读取 print(page_obj.extractText()) 返回的结果是: 三、创建PDF PyPDF2可以创建一个新的PDF文件,但是不能将任何文本写入到PDF。其写入PDF的能力,仅限于从其他PDF中拷贝页面、旋转页面、重叠页面和加密文件。后面一一介绍。 四、拷贝页面 # ==========拷贝页面============== pdffile1= open(r'E:\python让繁琐的工作自动化\13_处理pdf和word文档\data\meetingminutes.pdf','rb') pdffile2= open(r'E:\python让繁琐的工作自动化\13_处理pdf和word文档\data\meetingminutes2.pdf','rb') pdf1_reader= PyPDF2.PdfFileReader(pdffile1) pdf2_reader= PyPDF2.PdfFileReader(pdffile2) # 创建一个pdf文档,这个只是代表pdf文档的值,并没有创建实际的文档。 pdf_writer= PyPDF2.PdfFileWriter() # 将文档一页一页的读入到新的文档 for pagenumin range(pdf1_reader.numPages): pageobj= pdf1_reader.getPage(pagenum) pdf_writer.addPage(pageobj) for pagenumin range(pdf2_reader.numPages): pageobj= pdf2_reader.getPage(pagenum) pdf_writer.addPage(pageobj) # write方法才能真正生成一个文件 pdfoutputfile= open('combin.pdf','wb') pdf_writer.write(pdfoutputfile) pdfoutputfile.close() pdffile1.close() pdffile2.close() 在对应目录下生成pdf文件 五、旋转页面 利用rotateClockwise()和rotateCounterClockwise()方法PDF页面可以旋转90的整倍数。 pdffile1= open(r'E:\python让繁琐的工作自动化\13_处理pdf和word文档\data\meetingminutes.pdf','rb') pdfreaders= PyPDF2.PdfFileReader(pdffile1) page= pdfreaders.getPage(0)# 获取第一页 page.rotateClockwise(90)# 第一页旋转90度 # 创建一个新的PDF文档 pdfwriter= PyPDF2.PdfFileWriter() # 添加内容 pdfwriter.addPage(page) # 真实创建PDF文件并写入内容 result= open('ratated.pdf','wb') pdfwriter.write(result) # 关闭文件 result.close() pdffile1.close() 点击开PDF文档,结果是: 六、叠加页面 有的时候需要在PDF中添加公司的标志、时间戳或水印。我们用这个库依然可以实现。 # 给指定的页面添加水印、公司标志或者时间戳。 pdffile1= open(r'E:\python让繁琐的工作自动化\13_处理pdf和word文档\data\meetingminutes.pdf','rb') pdf_reader1= PyPDF2.PdfFileReader(pdffile1) # 获取该文档的第一页 first_page= pdf_reader1.getPage(0) # 打开印有水印的PDF文件 water_pdf= PyPDF2.PdfFileReader(r'E:\python让繁琐的工作自动化\13_处理pdf和word文档\data\watermark.pdf','rb') # 在上一个文档的第一页中加入这个有水印的文件 first_page.mergePage(water_pdf.getPage(0)) # 将读取的内容写入到对象中 pdfwriter= PyPDF2.PdfFileWriter() pdfwriter.addPage(first_page) 结果是: 七、加密PDF 我们可以对拷贝的页面进行加密。 pdffile1= open(r'E:\python让繁琐的工作自动化\13_处理pdf和word文档\data\meetingminutes.pdf','rb') pdf_reader1= PyPDF2.PdfFileReader(pdffile1) # 将读取的内容写入对象中 pdfwriter= PyPDF2.PdfFileWriter() for pagenumin range(pdf_reader1.numPages): pdfwriter.addPage(pdf_reader1.getPage(pagenum)) # 输入口令 pdfwriter.encrypt('meimei') # 真正创建PDF文件 result_pdf= open('encry.pdf','wb') pdfwriter.write(result_pdf) # 关闭文件 result_pdf.close() 点击生成的PDF文件。 输入密码才可以打开。 |
|