如何使用Python玩轉PDF各種騷操作？
Portable Document Format（可移植文件格式），或者PDF是一種檔案格式，可以用於跨作業系統的呈現和文件交換。儘管PDF最初是由Adobe發明的，但它現在是由國際標準化組織（ISO）維護的開放標準。你可以通過使用PyPDF2包在Python中處理已先存在的PDF。
PyPDF2是一個純Python包，可用於許多不同型別的PDF操作。
本文將帶你瞭解如何執行以下操作：
從Python中提取PDF中的文件資訊
旋轉頁面
合併PDF
拆分PDF
新增水印
加密PDF
pyPdf，PyPDF2和PyPDF4的歷史
最初的pyPdf軟體包於2005年釋出。pyPdf的最後一個正式版本是在2010年。大約一年後，一家名為Phasit的公司贊助了一個名為PyPDF2的pyPdf分支。該程式碼編寫為向後與原始程式碼相容，並且用了好多年，效果一直很好，其最後一個版本是在2016年。
有一個名為PyPDF3的軟體包簡短系列版本，然後該專案被重新命名為PyPDF4。所有這些專案都完全相同，但pyPdf和PyPDF2 +之間的最大區別在於後者版本增加了Python 3支援。Python 3的原始pyPdf有一個不同的Python 3分支，但是這個分支已經多年沒有維護了。
雖然最近放棄了PyPDF2，但新的PyPDF4與PyPDF2沒有完全的向後相容性。本文中的大多數示例都可以與PyPDF4完美配合，但也有一些不能，這就是為什麼PyPDF4在本文中沒有更多的特色。隨意用PyPDF4替換PyPDF2的匯入，看看它是如何工作的。
Python學習交流群：556370268，有大牛答疑，有資源共享！有想學習python程式設計的，想提升自己能力的，歡迎加入討論學習。
pdfrw：一個替代的PDF操作包
Patrick Maupin建立了一個名為pdfrw的軟體包，它可以完成許多與PyPDF2相同的工作。除了加密的特殊情況外，本文後面提到PyPDF2的所有操作，pdfrw均可以實現。
pdfrw的最大區別在於它與ReportLab軟體包整合，因此你可以使用一些或所有預先存在的PDF構建一個新的PDF。
PyPDF2的安裝
如果使用Anaconda而不是常規Python，可以使用pip或conda安裝PyPDF2。以下是使用pip安裝PyPDF2的方法：
$ pip install pypdf2
由於PyPDF2沒有任何依賴，因此安裝非常快。
如何從Python中提取PDF文件資訊
我們可以使用PyPDF2從PDF中提取元資料和一些文字，尤其是當在預先存在的PDF檔案上執行某些型別的自動化時是非常有用的。
以下是當前可以提取的資料型別：
Author
Creator
Producer
Subject
Title
Number of page
可以在自己的電腦上隨便找一個PDF檔案進行嘗試操作。下面是使用該PDF編寫一些程式碼，並瞭解如何訪問這些屬性：
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 information
if __name__ == '__main__':
path = 'xxxx.pdf'
extract_information(path)
首先從PyPDF2包匯入PdfFileReader。PdfFileReader是一個具有多種與PDF檔案互動的方法的類。在此示例中，我們呼叫了.getDocumentInfo()，它將返回DocumentInformation的例項,包含了我們感興趣的大部分資訊。我們還可以在reader物件上呼叫.getNumPages()，讓它返回文件中的頁數。
information這個變數具有多個例項屬性，可以使用這些屬性從文件中獲取所需的其餘元資料。我們可以打印出該資訊並將其返回以備將來使用。
雖然PyPDF2具有.extractText()，可以在其頁面物件上使用提取文字（本例中未顯示），但它的效果不是很好。有些PDF會返回文字，有些會返回空字串。如果要從PDF中提取文字，建議應該看一下PDFMiner專案。PDFMiner更加強大，專門用於從PDF中提取文字。
如何旋轉頁面？
有時候PDF是橫向模式而不是縱向模式，甚至是顛倒的。當有人掃描文件為PDF或電子郵件時，很可能會發生這種情況。我們可以打印出文件並閱讀紙質版本，也可以使用Python的強大功能來旋轉有問題的頁面。
下面看一下如何使用PyPDF2旋轉文章的一些頁面：
from PyPDF2 import PdfFileReader, PdfFileWriter
def rotate_pages(pdf_path):
pdf_writer = PdfFileWriter()
pdf_reader = PdfFileReader(path)
# 順時針旋轉90度
page_1 = pdf_reader.getPage(0).rotateClockwise(90)
pdf_writer.addPage(page_1)
# 逆時針旋轉90度
page_2 = pdf_reader.getPage(1).rotateCounterClockwise(90)
pdf_writer.addPage(page_2)
# 在正常方向上新增一頁
pdf_writer.addPage(pdf_reader.getPage(2))
with open('rotate_pages.pdf', 'wb') as fh:
pdf_writer.write(fh)
if __name__ == '__main__':
path = '新路徑.pdf'
rotate_pages(path)
上面除了pdfileReader之外，還匯入了pdfileWriter，因為我們需要編寫一個新的pdf。rotate_pages()獲取要修改的PDF的路徑。在這個函式中，需要建立一個可以命名為pdf-writer的writer物件和一個名為pdf-reader的reader物件。
接下來，可以使用.get page()獲取所需的頁面。上面開始輸入了第0頁，也就是第一頁，呼叫page物件的.rotateClockwise()順時針旋轉方法並輸入90。然後同樣地，對於第二頁，呼叫.rotateCounterLockwise()逆時針旋轉並輸入90。
每次呼叫Rotation旋轉方法後，都會呼叫.addPage()，這將向writer物件新增頁面的旋轉版本。最後一頁是第3頁，沒有對其進行任何旋轉。最後，使用.write()把所有新頁寫入新的PDF。
Python學習交流群：556370268，有大牛答疑，有資源共享！有想學習python程式設計的，想提升自己能力的，歡迎加入討論學習。
如何合併PDF？
在許多情況下，我們希望將兩個或多個PDF合併到一個PDF中。例如，現在可能有一個標準的封面，需要轉到許多型別的報告中。這時候就可以使用python來幫助完成這類工作。
下面是實現的程式碼，完成PDF合併的操作：
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()): # 將每頁新增到writer物件 pdf_writer.addPage(pdf_reader.getPage(page)) # 寫入合併的pdf with open(output, 'wb') as out: pdf_writer.write(out) if __name__ == '__main__': paths = ['document1.pdf', 'document2.pdf'] merge_pdfs(paths, output='merged.pdf')
假如有一個要合併到一起的pdf列表時，可以直接使用merge_pdf函式完成。此函式採用了輸入路徑和輸出路徑作為引數。
首先遍歷輸入的paths，併為每個輸入建立一個PDF閱讀物件。然後遍歷PDF檔案中的所有頁面，並使用.addpage()將這些頁面寫入writer物件。當完成對列表中所有PDF的所有頁面的寫入後，將在末尾寫入新的結果中。
如果不想合併每個PDF的所有頁面，可以通過新增一系列要新增的頁面來稍微增強這個指令碼。挑戰一點的話，也可以使用Python的argparse模組為這個函式建立一個命令列介面。
如何拆分PDF?
有時可能需要將PDF拆分為多個PDF，對於包含大量掃描內容的PDF來說尤其重要。以下是如何使用PyPDF2將PDF拆分為多個檔案：
from PyPDF2 import PdfFileReader, PdfFileWriter
def split(path, name_of_split):
pdf = PdfFileReader(path)
for page in range(pdf.getNumPages()):
pdf_writer = PdfFileWriter()
pdf_writer.addPage(pdf.getPage(page))
output = f'{name_of_split}{page}.pdf'
with open(output, 'wb') as output_pdf:
pdf_writer.write(output_pdf)
if __name__ == '__main__':
path = 'xxx.pdf'
split(path, 'jupyter_page')
這個函式中再次建立了PDF的reaer物件，並對其所讀取的頁面進行遍歷。對於PDF中的每個頁面，建立一個新的PDF的writer例項並向其新增單個頁面。然後，將該頁面寫入一個唯一命名的檔案。指令碼執行完畢後，就可以將原始PDF的每個頁面拆分為單獨的PDF。
如何新增水印？
水印是紙質或者電子文件上的影象或圖案，一些水印只能在特殊照明條件下才能看到。水印的重要性在於它可以保護你的智慧財產權，例如影象或PDF。
我們可以使用Python和PyPDF2為文件新增水印，而且是擁有僅包含水印影象或文字的PDF。下面是向PDF新增水印方法：
from PyPDF2 import PdfFileWriter, PdfFileReader def create_watermark(input_pdf, output, watermark): watermark_obj = PdfFileReader(watermark) watermark_page = watermark_obj.getPage(0) pdf_reader = PdfFileReader(input_pdf) pdf_writer = PdfFileWriter() # 給所有頁面新增水印 for page in range(pdf_reader.getNumPages()): page = pdf_reader.getPage(page) page.mergePage(watermark_page) pdf_writer.addPage(page) with open(output, 'wb') as out: pdf_writer.write(out) if __name__ == '__main__': create_watermark( input_pdf='Jupyter_Notebook_An_Introduction.pdf', output='watermarked_notebook.pdf', watermark='watermark.pdf')
上面create_watermark有三個引數：
input_pdf：要加水印的PDF檔案路徑
output：要儲存PDF的水印版本的路徑
watermark：包含水印影象或文字的PDF
在程式碼中，開啟水印PDF並從文件中抓取第一頁，因為這是水印應該駐留的位置。然後使用input_pdf和通用pdf_writer物件建立PDF的writer物件，以寫出帶水印的PDF。
下一步是遍歷input_pdf中的頁面，然後呼叫.mergePage()並以用上面讀取的水印物件watermark_page為引數，這樣會將watermark_page覆蓋在當前頁面的頂部，然後再將新合併的頁面新增到pdf_writer物件中。遍歷完成後，最後將新加水印的PDF寫入磁碟。
如何加密PDF？
PyPDF2目前僅支援將使用者密碼和所有者密碼新增到預先存在的PDF。在PDF版本中，所有者密碼會提供PDF的管理員許可權，並允許設定文件的許可權，而使用者密碼只允許開啟文件。
實際上，PyPDF2是不允許設定文件的任何許可權的，即使它允許設定所有者密碼的情況下。但無論如何，這是可以加密的方式，也將固有地加密PDF：
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)) pdf_writer.encrypt(user_pwd=password, owner_pwd=None, use_128bit=True) with open(output_pdf, 'wb') as fh: pdf_writer.write(fh) if __name__ == '__main__': add_encryption(input_pdf='reportlab-sample.pdf', output_pdf='reportlab-encrypted.pdf', password='twofish')
add_encryption以輸入輸出PDF路徑和要新增到PDF的密碼為引數。由於需要加密整個輸入PDF，因此需要遍歷其所有頁面並將其新增到writer編寫器。最後一步是呼叫.encrypt()，以使用者密碼，所有者密碼以及是否應該新增128位加密為引數。預設情況下，要啟用128位加密。如果將其設定為False，則將應用40位加密。
結論
PyPDF2包非常有用，可以使用PyPDF2自動執行指令碼完成PDF文件的批量操作。本文介紹瞭如何從PDF中提取元資料，旋轉頁面，合併和拆分PDF，新增水印，以及新增加密的操作。
同時，還要關注較新的PyPDF4包，因為它很快就會取代PyPDF2。也可以看看pdfrw包，它也可以執行許多與PyPDF2相同的操作。