|
大家好，前几天分享了一篇读取pdf文章，但是依然无法少部分的pdf进行操作。今天看Python Weekly最新一期推送的文章中《Creating and Manipulate PDFs with pdfrw》,发现该库对pdf操作性能极好，且api更简洁，更适合我这样的小白使用。所以今天我就将该文章翻译一下，做成notebook分享给大家。 在本篇文章中，我们会学到以下内容： 从pdf文件中提取特定的信息 分割pdf文件 合并pdf文件 对pdf中的内容进行旋转
更多功能请查看pdfrw文档 https://github.com/pmaupin/pdfrw#examples
1. 安装首先我们安装pdfrw库，在终端中输入命令 pip3 install pdfrw
如果你使用的jupyter notebook运行本教程notebook出错提示你没有该库，你需要进行以下操作。 在终端中输入命令 conda install -c nsidc pdfrw
可能网速比较慢，大概1-5min，终端会出现Proceed[y/n],你需要输入y回车 2. 从PDF中提取信息pdfrw库会从pdf文件中提取并返回pdf文件相关信息，一码胜千言，直接上代码看运行结果可能比我说更好。这里我们使用了w9.pdf文件作为测试文件。 from pdfrw import PdfReader, PdfWriter
def get_pdf_info(path):
pdf = PdfReader(path)
#PdfReader的关键词keys
print(pdf.keys())
print(pdf.Info)
print(pdf.Root.keys())
#pdf文件页数
print('PDF has {} pages'.format(len(pdf.pages)))
get_pdf_info('w9.pdf')
['/Root', '/Info', '/ID', '/Size']
{'/Author': '(SE:W:CAR:MP)', '/CreationDate': "(D:20171109144422-05'00')", '/Creator': '(Adobe LiveCycle Designer ES 9.0)', '/Keywords': '(Fillable)', '/ModDate': "(D:20171109144521-05'00')", '/Producer': '(Adobe LiveCycle Designer ES 9.0)', '/SPDF': '(1112)', '/Subject': '(Request for Taxpayer Identification Number and Certification)', '/Title': '(Form W-9 \\(Rev. November 2017\\))'}
['/AcroForm', '/Extensions', '/MarkInfo', '/Metadata', '/Names', '/Pages', '/StructTreeRoot', '/Type', '/Perms']
PDF has 6 pages
呈现方式可能不太友好，继续看下面的内容，pdfrw是不会让你失望的。 3. 分割pdf文件我们可以使用pdfrw库将pdf文件分割为多份文件。比如，你有可能只想要pdf书籍中的封面，或者你想将这本书按照章节分割为多个文件。这就是pdfrw吸引大邓分享给你的初衷，真的是听强悍的一个pdf操作库。 split函数： path： 待分割的pdf文件路径 page：待分割pdf文件第page页 output：第page页保存的新pdf文件路径
这里我使用一个 Introduction to Text Mining and Natural Language Processing.pdf 作为例子，将其第一页和第二页分割并保存为第一页.pdf、第二页.pdf两个pdf文件。 def split(path, page, output):
pdf_obj = PdfReader(path)
total_pages = len(pdf_obj.pages)
writer = PdfWriter()
if page <= total_pages:
writer.addpage(pdf_obj.pages[page])
writer.write(output)
path = 'Introduction to Text Mining and Natural Language Processing.pdf'
pages = [1, 2]
outputs = ['第一页.pdf', '第二页.pdf']
for page,output in zip(pages, outputs):
split(path, page, output)
具体效果大家运行后看看文件夹中新生成的第一页.pdf、第二页.pdf与Introduction to Text Mining and Natural Language Processing.pdf做对比，完美的运行实现了我们的分割实验。 4. 合并多个pdf文件pdfrw可以很容易的将多个pdf文件进行合并，Let's go 在上面的例子中我们创建了concatenate函数， paths参数为待合并的多个pdf文件路径 output为合并后pdf文件路径
from pdfrw import PdfReader, PdfWriter, IndirectPdfDict
def concatenate(paths, output):
writer = PdfWriter()
for path in paths:
reader = PdfReader(path)
writer.addpages(reader.pages)
#我们给新的pdf文件加一些看不到的信息。
#Title、author这些词你可以换成你喜欢的，不会影响程序运行
#这里我们将这些信息隐藏到新的pdf文件中。
writer.trailer.Info = IndirectPdfDict(
Title = '合并pdf文件',
Author = '生成者：大邓',
Subject= '多个PDF文件合并',
HelloPdfrw = '真好用',
PythonIsFun ='YES')
writer.write(output)
paths = ['第一页.pdf', '第二页.pdf']
concatenate(paths, '合并后的文件.pdf')
我们打开合并后的文件.pdf后，发现确实是对 第一页.pdf、第二页.pdf进行的合并。而且也看不到 Title = '合并pdf文件',
Author = '生成者：大邓',
Subject= '多个PDF文件合并',
HelloPdfrw = '真好用',
PythonIsFun ='YES'
这些信息。 那我们使用get_pdf_info(path)函数查看下合并后的文件.pdf的信息 get_pdf_info('合并后的文件.pdf')
['/Info', '/Root', '/Size']
{'/Author': '<FEFF751F62108005FF1A59279093>', '/HelloPdfrw': '<FEFF771F597D7528>', '/PythonIsFun': '(YES)', '/Subject': '<FEFF591A4E2A00500044004665874EF654085E76>', '/Title': '<FEFF54085E7600700064006665874EF6>'}
['/Pages', '/Type']
PDF has 2 pages
我们发现上面多了 Author/HelloPdfrw/HelloPdfrw/PythonIsFun, 这些关键词都是我自己随便写的，居然都隐藏近新生产的文件了。 这个方法非常棒，比如我以后分享的内容如果以pdf文件保存，我可以将作者信息隐藏到pdf文件中。如果以后谁盗版我的内容，我可以读取这个pdf文件隐藏的信息证明这是我写的。 5. 旋转有时候你见到的pdf文件某页可能是是旋转90度后的，需要你旋转屏幕才能阅读，那么我们就需要对该pdf文件进行选择。这里我没有这么奇怪的pdf文件，那么我们就对'Introduction to Text Mining and Natural Language Processing.pdf' 文件的奇数页面进行旋转并存储到新的奇数页内容（顺时针旋转90度）.pdf，生成奇怪的文件，来试试旋转功能。 from pdfrw import PdfReader, PdfWriter, IndirectPdfDict
def rotate_odd(path, output):
reader = PdfReader(path)
writer = PdfWriter()
pages = reader.pages
for page in range(len(pages)):
if page % 2:
pages[page].Rotate = 90
writer.addpage(pages[page])
writer.write(output)
path = 'Introduction to Text Mining and Natural Language Processing.pdf'
output = '奇数页内容（顺时针旋转90度）.pdf'
rotate_odd(path, output)
|
