一文教會你用Python讀取PDF檔案

2022-08-09 14:00:04

實戰場景

Python 工程師在日常的工作中，經常會碰到解析和處理PDF檔案的情況，實戰中需求主要分為如下情況：

提取 PDF 中的文字
將 PDF 中每頁轉換為圖片
word 轉換為PDF
PDF生成，編輯，匯入匯出
PDF線上渲染

除了最後一項需要前端配合以外，其餘內容都可以直接在 python 端進行實現。

本次實戰選擇 pdfplumber 庫進行學習，可以提前安裝該庫，不過有一點需要注意，該庫主要用於讀取 PDF 進行操作，寫入和編輯無法實現，即本文學習一款專注於 PDF 內容提取的庫。

> pip install pdfplumber -i https://pypi.tuna.tsinghua.edu.cn/simple

pdfplumber 庫具備如下特點：

可以存取PDF物件中的任意元素詳細資訊；
可以提取文字和表格，而且用法簡單；
整合了視覺化偵錯。

Python PDF 實戰編碼

下面可以編寫 PDF 操作的基礎程式碼。

import pdfplumber

with pdfplumber.open('./dddd.pdf') as pdf:
    for page in pdf.pages:
        print(page.extract_text())

        # 每頁列印一分頁分隔
        print('---------- 分頁分隔 ----------')

匯入 pdfplumber 模組之後，使用 pdfplumber.open('./dddd.pdf') 開啟本地 pdf 檔案，然後通過 pdf.pages 遍歷所有頁，在通過頁物件的 .extract_text() 方法，提取文字資訊。

pdfplumber.open() 方法的簽名如下所示：

pdfplumber.open("檔名", password = "密碼", laparams = { "line_overlap": 0.7 })

其中各引數描述如下：

file_name：檔名，必選引數；
password：PDF的密碼；
laparams：佈局引數。

除此之外，如果希望讀取 PDF，還可以使用 load() 方法，該方法也會返回 pdfplumber.PDF 類的範例。

pdfplumber.PDF 物件範例，主要有兩個重要屬性：

.metadata：從PDF的Info中獲取後設資料鍵 /值對字典。通常包括“ CreationDate”，“ ModDate”，“ Producer”等；
.pages：包含 pdfplumber.Page 範例的列表，每一個範例代表PDF每一頁的資訊。

上文提及的 pdfplumber.Page 範例是 pdfplumber 的核心，後續對 PDF 的操作大量圍繞該類的屬性和方法實施，其重要屬性如下所示：

page_number：頁碼順序，第一頁的序號是 1；
witdh：寬度；
height：高度；
.objects/.chars/.lines/.rects/.curves/.figures/.images：獲取PDF頁中的重要資料。

核心方法如下所示：

extract_text()：提取頁中的文字；
extract_words()：提取所有單詞及其相關資訊；
extract_tables()：提取頁面的表格。

extract_text() 呈現結果

extract_words() 呈現結果

extract_tables() 呈現效果，由於 PDF 中無表格，所有每頁得到的都是空！

補充

當然Python除了讀取PDF檔案，還有一些其他功能，例如加密PDF，旋轉和疊加頁面等，下面是實現的範例程式碼

旋轉和疊加頁面

import PyPDF2

from PyPDF2.pdf import PageObject

# 建立一個讀PDF檔案的Reader物件

reader = PyPDF2.PdfFileReader('resources/XGBoost.pdf')

# 建立一個寫PDF檔案的Writer物件

writer = PyPDF2.PdfFileWriter()

# 對PDF檔案所有頁進行迴圈遍歷

for page_num in range(reader.numPages):

      # 獲取指定頁碼的Page物件

      current_page = reader.getPage(page_num) # type: PageObject

      if page_num % 2 == 0:

         # 奇數頁順時針旋轉90度

         current_page.rotateClockwise(90)

      else:

# 偶數頁反時針旋轉90度

             current_page.rotateCounterClockwise(90)

      writer.addPage(current_page)

# 最後新增一個空白頁並旋轉90度

page = writer.addBlankPage() # type: PageObject

page.rotateClockwise(90)

# 通過Writer物件的write方法將PDF寫入檔案

with open('resources/XGBoost-modified.pdf', 'wb') as file:

    writer.write(file)

加密PDF檔案

import PyPDF2

reader = PyPDF2.PdfFileReader('resources/XGBoost.pdf')
writer = PyPDF2.PdfFileWriter()

for page_num in range(reader.numPages):
     writer.addPage(reader.getPage(page_num))

# 通過encrypt方法加密PDF檔案，方法的引數就是rre

#設定的密碼
writer.encrypt('foobared')

with open('resources/XGBoost-encrypted.pdf', 'wb') as file:

       writer.write(file)

批次新增水印

import PyPDF2

from PyPDF2.pdf import PageObject

reader1 = PyPDF2.PdfFileReader('resources/XGBoost.pdf') reader2 = PyPDF2.PdfFileReader('resources/watermark.pdf')
writer = PyPDF2.PdfFileWriter()

# 獲取水印頁
watermark_page = reader2.getPage(0)

for page_num in range(reader1.numPages):

     current_page = reader1.getPage(page_num) # type: PageObject                                           current_page.mergePage(watermark_page)

     # 將原始頁和水印頁進行合併
     writer.addPage(current_page) 

# 將PDF寫入檔案
with open('resources/XGBoost-watermarked.pdf', 'wb') as file:

       writer.write(file)

到此這篇關於一文教會你用Python讀取PDF檔案的文章就介紹到這了,更多相關Python讀取PDF檔案內容請搜尋it145.com以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援it145.com！

一文教會你用Python讀取PDF檔案

目錄

實戰場景

Python PDF 實戰編碼

補充

熱門文章