使用PyPDF2模块处理PDF文件通用方法技巧

全栈程序员-用户IM • 2022年6月23日上午11:00 • 未分类

大家好，又见面了，我是你们的朋友全栈君。

基本概念：PDF和Word文档是二进制文件，除了文本之外还保存字体，颜色，布局等信息。
处理PDF文件，使用PyPDF2模块，PyPDF2不能从PDF文档中提取图像、图表或其他媒体，但可提取文本，作为字符串返回。
   读取PDF文件步骤: 首先以读二进制模式打开PDF文件，然后将打开文件File对象传递给PyPDF2.PdfFileReader()函数，例如：
   pdf=open(r’C:/Users/fmz/Desktop/rotate.pdf’,‘rb’)
   pdfreader=PyPDF2.PdfFileReader(pdf)
   读取的文档的总页数保存在PdfFileReader对象的numPages属性中，使用pdfreader.numPages可得总页数
   从一页中提取文本，需要先取得Page对象，使用pdfreader.getPage(传入页码顺序，从0开始)。取得Page对象后调用它的
   extractText()方法，即Page.extractText()则返回该页文本的字符串（文本提取并不完美，有时会缺失一些文本）
解密PDF ：所有的PdfFileReader对象都有一个isEncrypted属性，如果加密返回True否则返回False。在文件用正确的口令
解密之前，尝试调用函数来读取文件会返回错误。解密PDF使用pdfreader.decrypt(‘口令字符串’)函数，提供正确的口令返回1
否则返回0。
创建PDF：使用PdfFileWriter对象创建PDF例如pdfwriter=PyPDF2.PdfFileWriter()，但PyPDF2模块不可以利用其将任何文
   本写入PDF，该对象仅限从其他PDF中拷贝页面、旋转页面、重叠页面以及加密文件。PyPDF2模块不允许直接编辑PDF，必须
   创建一个新的PDF，其一般步骤为：
   1）打开一个或多个已有的PDF得到PdfFileReader对象；
   2）创建一个新的PdfFileReader对象；
   3）将页面从PdfFileReader对象拷贝到PdfFileWriter对象中；
   4）最后利用PdfFileWriter对象写入输出的PDF。
   实际生成文件需调用PdfFileWriter对象的write()方法。write()方法接受一个普通的以写二进制模式?打开的File对象。
拷贝页面：得到PdfFileReader对象后，在其上调用getPage()取得Page对象，然后将Page对象传递给PdfFileWriter对象的
    addPage()方法，例如pdfwriter.addPage(page对象)，在拷贝页面完成后，向PdfFileWriter对象的write()方法传入一个File
    对象，例如使用下列语句即可实现新PDF的写入。
     pdfout=open(r’combinedminutes.pdf’,‘wb’)
     pdfwriter.write(pdfout)
     pdfout.close()
旋转页面：对Page对象使用rotateClockwise()（顺时针旋转）和rotateCounterClockwise()（逆时针旋转）方法可使PDF文
档页面旋转90度的整数倍，向这些方法传入90，180，270就可以了。例如Page.rotateClockwise(90)将页面顺时针旋转90度。
叠加页面：PyPDF2模块可将一页的内容叠加到另一页上实现在页面上添加公司标志，时间戳或水印等。对Page对象调用
mergePage(叠加的Page对象)方法可实现page的叠加，例如使用FirstPage.mergePage(pdfreader.getPage(0))语句可实现
将pdfreader对象的第一页叠加到FirstPage页上。
加密PDF：在调用write()方法保存文件之前，对PdfFileWriter对象调用encrypt(‘口令字符串’)方法可实现对文档的加密。PDF
   文档可以有一个用户口令（允许查看该PDF）和一个拥有者口令（允许设置打印、注释、提取文本和其他功能的许可）。用户
    口令和拥有者口令分别是encrypt()的第一个和第二个参数，如果只传入一个字符串，那它将作为两个口令。例如：
    pdfwriter.encrypt(‘swordfish’)
    open(r’combinedminutes.pdf’,‘wb’)
    pdfwriter.write(pdfout)
    pdfout.close()