portable document format（可移植文档格式），或者pdf是一种文件格式，可以用于跨操作系统的呈现和文档交换。尽管pdf最初是由adobe发明的，但它现在是由国际标准化组织（iso）维护的开放标准。你可以通过使用pypdf2包在python中处理已先存在的pdf。
pypdf2是一个纯python包，可用于许多不同类型的pdf操作。
本文将带你了解如何执行以下操作：
从python中提取pdf中的文档信息
- 旋转页面
- 合并pdf
- 拆分pdf
- 添加水印
- 加密pdf
一、pypdf，pypdf2和pypdf4的历史
最初的pypdf软件包于2005年发布。pypdf的最后一个正式版本是在2010年。大约一年后，一家名为phasit的公司赞助了一个名为pypdf2的pypdf分支。该代码编写为向后与原始代码兼容，并且用了好多年，效果一直很好，其最后一个版本是在2016年。
有一个名为pypdf3的软件包简短系列版本，然后该项目被重命名为pypdf4。所有这些项目都完全相同，但pypdf和pypdf2 +之间的最大区别在于后者版本增加了python 3支持。python 3的原始pypdf有一个不同的python 3分支，但是这个分支已经多年没有维护了。
虽然最近放弃了pypdf2，但新的pypdf4与pypdf2没有完全的向后兼容性。本文中的大多数示例都可以与pypdf4完美配合，但也有一些不能，这就是为什么pypdf4在本文中没有更多的特色。随意用pypdf4替换pypdf2的导入，看看它是如何工作的。
二、pdfrw：一个替代的pdf操作包
patrick maupin创建了一个名为pdfrw的软件包，它可以完成许多与pypdf2相同的工作。除了加密的特殊情况外，本文后面提到pypdf2的所有操作，pdfrw均可以实现。
pdfrw的最大区别在于它与reportlab软件包集成，因此你可以使用一些或所有预先存在的pdf构建一个新的pdf。
三、pypdf2的安装
如果使用anaconda而不是常规python，可以使用pip或conda安装pypdf2。以下是使用pip安装pypdf2的方法：
$ pip install pypdf2
由于pypdf2没有任何依赖，因此安装非常快。
四、如何从python中提取pdf文档信息
我们可以使用pypdf2从pdf中提取元数据和一些文本，尤其是当在预先存在的pdf文件上执行某些类型的自动化时是非常有用的。
以下是当前可以提取的数据类型：
- author
- creator
- producer
- subject
- title
- number of page
可以在自己的电脑上随便找一个pdf文件进行尝试操作。下面是使用该pdf编写一些代码，并了解如何访问这些属性：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
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)
|
首先从pypdf2包导入pdffilereader。pdffilereader是一个具有多种与pdf文件交互的方法的类。在此示例中，我们调用了.getdocumentinfo()，它将返回documentinformation的实例,包含了我们感兴趣的大部分信息。我们还可以在reader对象上调用.getnumpages()，让它返回文档中的页数。
information这个变量具有多个实例属性，可以使用这些属性从文档中获取所需的其余元数据。我们可以打印出该信息并将其返回以备将来使用。
虽然pypdf2具有.extracttext()，可以在其页面对象上使用提取文本（本例中未显示），但它的效果不是很好。有些pdf会返回文本，有些会返回空字符串。如果要从pdf中提取文本，建议应该看一下pdfminer项目。pdfminer更加强大，专门用于从pdf中提取文本。
五、如何旋转页面？
有时候pdf是横向模式而不是纵向模式，甚至是颠倒的。当有人扫描文档为pdf或电子邮件时，很可能会发生这种情况。我们可以打印出文档并阅读纸质版本，也可以使用python的强大功能来旋转有问题的页面。
下面看一下如何使用pypdf2旋转文章的一些页面：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
from pypdf2 import pdffilereader, pdffilewriter
def rotate_pages(pdf_path):
pdf_writer = pdffilewriter()
pdf_reader = pdffilereader(path)
# 顺时针旋转90度
page_1 = pdf_reader.getpage(0).rotateclockwise(90)
pdf_writer.addpage(page_1)
# 逆时针旋转90度
page_2 = pdf_reader.getpage(1).rotatecounterclockwise(90)
pdf_writer.addpage(page_2)
# 在正常方向上添加一页
pdf_writer.addpage(pdf_reader.getpage(2))
with open('rotate_pages.pdf', 'wb') as fh:
pdf_writer.write(fh)
if __name__ == '__main__':
path = '新路径.pdf'
rotate_pages(path)
|
上面除了pdfilereader之外，还导入了pdfilewriter，因为我们需要编写一个新的pdf。rotate_pages()获取要修改的pdf的路径。在这个函数中，需要创建一个可以命名为pdf-writer的writer对象和一个名为pdf-reader的reader对象。
接下来，可以使用.get page()获取所需的页面。上面开始输入了第0页，也就是第一页，调用page对象的.rotateclockwise()顺时针旋转方法并输入90。然后同样地，对于第二页，调用.rotatecounterlockwise()逆时针旋转并输入90。
每次调用rotation旋转方法后，都会调用.addpage()，这将向writer对象添加页面的旋转版本。最后一页是第3页，没有对其进行任何旋转。最后，使用.write()把所有新页写入新的pdf。
六、如何合并pdf？
在许多情况下，我们希望将两个或多个pdf合并到一个pdf中。例如，现在可能有一个标准的封面，需要转到许多类型的报告中。这时候就可以使用python来帮助完成这类工作。
下面是实现的代码，完成pdf合并的操作：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
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()):
# 将每页添加到writer对象
pdf_writer.addpage(pdf_reader.getpage(page))
# 写入合并的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')
|
假如有一个要合并到一起的pdf列表时，可以直接使用merge_pdf函数完成。此函数采用了输入路径和输出路径作为参数。
首先遍历输入的paths，并为每个输入创建一个pdf阅读对象。然后遍历pdf文件中的所有页面，并使用.addpage()将这些页面写入writer对象。当完成对列表中所有pdf的所有页面的写入后，将在末尾写入新的结果中。
如果不想合并每个pdf的所有页面，可以通过添加一系列要添加的页面来稍微增强这个脚本。挑战一点的话，也可以使用python的argparse模块为这个函数创建一个命令行接口。
七、如何拆分pdf?
有时可能需要将pdf拆分为多个pdf，对于包含大量扫描内容的pdf来说尤其重要。以下是如何使用pypdf2将pdf拆分为多个文件：
|
1
2
3
4
5
6
7
8
9
10
11
12
|
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')
|
这个函数中再次创建了pdf的reaer对象，并对其所读取的页面进行遍历。对于pdf中的每个页面，创建一个新的pdf的writer实例并向其添加单个页面。然后，将该页面写入一个唯一命名的文件。脚本运行完毕后，就可以将原始pdf的每个页面拆分为单独的pdf。
八、如何添加水印？
水印是纸质或者电子文档上的图像或图案，一些水印只能在特殊照明条件下才能看到。水印的重要性在于它可以保护你的知识产权，例如图像或pdf。
我们可以使用python和pypdf2为文档添加水印，而且是拥有仅包含水印图像或文本的pdf。下面是向pdf添加水印方法：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
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()
# 给所有页面添加水印
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有三个参数：
- input_pdf：要加水印的pdf文件路径
- output：要保存pdf的水印版本的路径
- watermark：包含水印图像或文本的pdf
在代码中，打开水印pdf并从文档中抓取第一页，因为这是水印应该驻留的位置。然后使用input_pdf和通用pdf_writer对象创建pdf的writer对象，以写出带水印的pdf。
下一步是遍历input_pdf中的页面，然后调用.mergepage()并以用上面读取的水印对象watermark_page为参数，这样会将watermark_page覆盖在当前页面的顶部，然后再将新合并的页面添加到pdf_writer对象中。遍历完成后，最后将新加水印的pdf写入磁盘。
九、如何加密pdf？
pypdf2目前仅支持将用户密码和所有者密码添加到预先存在的pdf。在pdf版本中，所有者密码会提供pdf的管理员权限，并允许设置文档的权限，而用户密码只允许打开文档。
实际上，pypdf2是不允许设置文档的任何权限的，即使它允许设置所有者密码的情况下。但无论如何，这是可以加密的方式，也将固有地加密pdf：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
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以输入输出pdf路径和要添加到pdf的密码为参数。由于需要加密整个输入pdf，因此需要遍历其所有页面并将其添加到writer编写器。最后一步是调用.encrypt()，以用户密码，所有者密码以及是否应该添加128位加密为参数。默认情况下，要启用128位加密。如果将其设置为false，则将应用40位加密。
结论
pypdf2包非常有用，可以使用pypdf2自动执行脚本完成pdf文档的批量操作。本文介绍了如何从pdf中提取元数据，旋转页面，合并和拆分pdf，添加水印，以及添加加密的操作。
同时，还要关注较新的pypdf4包，因为它很快就会取代pypdf2。也可以看看pdfrw包，它也可以执行许多与pypdf2相同的操作。
以上所述是小编给大家介绍的python玩转pdf的各种骚操作,希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对服务器之家网站的支持！
如果你觉得本文对你有帮助，欢迎转载，烦请注明出处，谢谢！原文链接：https://blog.csdn.net/qq_41841569/article/details/89813721