小編給大家分享一下Python中PyPDF2模塊是什么，希望大家閱讀完這篇文章后大所收獲，下面讓我們一起去探討吧！
在垣曲等地區(qū)，都構(gòu)建了全面的區(qū)域性戰(zhàn)略布局，加強(qiáng)發(fā)展的系統(tǒng)性、市場(chǎng)前瞻性、產(chǎn)品創(chuàng)新能力，以專注、極致的服務(wù)理念，為客戶提供成都網(wǎng)站制作、網(wǎng)站設(shè)計(jì) 網(wǎng)站設(shè)計(jì)制作按需網(wǎng)站建設(shè),公司網(wǎng)站建設(shè),企業(yè)網(wǎng)站建設(shè),高端網(wǎng)站設(shè)計(jì),網(wǎng)絡(luò)營(yíng)銷推廣,外貿(mào)網(wǎng)站制作,垣曲網(wǎng)站建設(shè)費(fèi)用合理。
對(duì)于PDF文件，常見的需求也就是兩類：
處理文件本身，屬于文件頁面級(jí)操作，如合并/分拆PDF頁面、加/解密、加/去水印；
處理文件內(nèi)容，屬于內(nèi)容級(jí)操作，如提取文字、表格數(shù)據(jù)、圖表等。
目前Python用于處理PDF的模塊，主要有3個(gè)：
PyPDF2：模塊成熟，最后一次更新在2年前，適合頁面級(jí)操作，文字提取效果較差。
PDFMiner：擅長(zhǎng)文字抽取，目前主分支已停止維護(hù)，取而代之的是Pdfminer.six。
Pdfplumber：基于pdfminer.six的文本內(nèi)容抽取工具，使用門檻更低，如支持表格提取。
實(shí)戰(zhàn)中，可以根據(jù)需求的類型選擇模塊。如果是頁面級(jí)的操作，就用PyPDF2。如果需要內(nèi)容抽取，優(yōu)先使用pdfplumber。
對(duì)應(yīng)的模塊安裝：
pip install pypdf2
pip install pdfminer.six
pip install pdfplumber
PyPDF2
PyPDF2的主要能力在頁面級(jí)操作，比如：
獲取PDF文檔基本信息
PDF分割及合并
PDF的旋轉(zhuǎn)及排序
PDF加水印及去水印
PDF加密及解密
PyPDF2的核心兩個(gè)類是PdfFileReader和PdfFileWriter，完成PDF文件的讀寫操作。
獲取PDF文檔基本信息
import pathlib from PyPDF2 import PdfFileReader path = list(pathlib.Path.cwd().parents)[1].joinpath('data/automate/002pdf') f_path = path.joinpath('2020-新冠肺炎疫情對(duì)中國連鎖餐飲行業(yè)的影響調(diào)研報(bào)告-中國連鎖經(jīng)營(yíng)協(xié)會(huì).pdf') with open(f_path, 'rb') as f: pdf = PdfFileReader(f) info = pdf.getDocumentInfo() cnt_page = pdf.getNumPages() is_encrypt = pdf.getIsEncrypted() print(f''' 作者: {info.author} 創(chuàng)建者: {info.creator} 制作者: {info.producer} 主題: {info.subject} 標(biāo)題: {info.title} 總頁數(shù): {cnt_page} 是否加密: {is_encrypt} ''')
PDF分割及合并
import pathlib from PyPDF2 import PdfFileReader, PdfFileWriter path = list(pathlib.Path.cwd().parents)[1].joinpath('data/automate/002pdf') f_path = path.joinpath('2020-新冠肺炎疫情對(duì)中國連鎖餐飲行業(yè)的影響調(diào)研報(bào)告-中國連鎖經(jīng)營(yíng)協(xié)會(huì).pdf') out_path = path.joinpath('002pdf_split_merge.pdf') out_path_1 = path.joinpath('002pdf_split_half_front.pdf') out_path_2 = path.joinpath('002pdf_split_half_back.pdf') # 把文件分為兩半 with open(f_path, 'rb') as f, open(out_path_1, 'wb') as f_out1, open(out_path_2, 'wb') as f_out2: pdf = PdfFileReader(f) pdf_out1 = PdfFileWriter() pdf_out2 = PdfFileWriter() cnt_pages = pdf.getNumPages() print(f'共 {cnt_pages} 頁') for i in range(cnt_pages): if i <= cnt_pages //2: pdf_out1.addPage(pdf.getPage(i)) else: pdf_out2.addPage(pdf.getPage(i)) pdf_out1.write(f_out1) pdf_out2.write(f_out2) # 再把后半個(gè)文件與前半個(gè)文件合并，后半個(gè)文件在前 with open(out_path, 'wb') as f_out: cnt_f, cnt_b = pdf_out1.getNumPages(), pdf_out2.getNumPages() pdf_out = PdfFileWriter() for i in range(cnt_b): pdf_out.addPage(pdf_out2.getPage(i)) for i in range(cnt_f): pdf_out.addPage(pdf_out1.getPage(i)) pdf_out.write(f_out)
PDF的旋轉(zhuǎn)及排序
import pathlib from PyPDF2 import PdfFileReader, PdfFileWriter path = list(pathlib.Path.cwd().parents)[1].joinpath('data/automate/002pdf') f_path = path.joinpath('2020-新冠肺炎疫情對(duì)中國連鎖餐飲行業(yè)的影響調(diào)研報(bào)告-中國連鎖經(jīng)營(yíng)協(xié)會(huì).pdf') out_path = path.joinpath('002pdf_rotate.pdf') with open(f_path, 'rb') as f, open(out_path, 'wb') as f_out: pdf = PdfFileReader(f) pdf_out = PdfFileWriter() page = pdf.getPage(0).rotateClockwise(90) pdf_out.addPage(page) # 把第二頁放到前面 pdf_out.addPage(pdf.getPage(2)) page = pdf.getPage(1).rotateCounterClockwise(90) pdf_out.addPage(page) pdf_out.write(f_out)
PDF加水印及去水印
加圖片水印，其實(shí)就是在頁面中增加一個(gè)透明背景的圖片，通過頁面的mergePage方法即可完成。
import pathlib from PyPDF2 import PdfFileReader, PdfFileWriter path = list(pathlib.Path.cwd().parents)[1].joinpath('data/automate/002pdf') f_path = path.joinpath('2020-新冠肺炎疫情對(duì)中國連鎖餐飲行業(yè)的影響調(diào)研報(bào)告-中國連鎖經(jīng)營(yíng)協(xié)會(huì).pdf') wm_path = path.joinpath('watermark.pdf') en_path = path.joinpath('002pdf_with_watermark_en.pdf') out_path = path.joinpath('002pdf_with_watermark.pdf') with open(f_path, 'rb') as f, open(wm_path, 'rb') as f_wm, open(out_path, 'wb') as f_out: pdf = PdfFileReader(f) pdf_wm = PdfFileReader(f_wm) pdf_out = PdfFileWriter() wm_cn_page = pdf_wm.getPage(0) wm_en_page = pdf_wm.getPage(1) cnt_pages = pdf.getNumPages() for i in range(cnt_pages): page = pdf.getPage(i) page.mergePage(wm_cn_page) pdf_out.addPage(page) pdf_out.write(f_out)
去水印，就比較復(fù)雜，需要根據(jù)不同情況具體分析。因?yàn)樗】赡苁俏淖帧D片或者各種組合，關(guān)鍵是識(shí)別出特征。
去水印的3個(gè)常見思路參考：
1.找到特征詞后替換，適合英文文檔，但不適用于中文等CJK字符。
2.把PDF頁轉(zhuǎn)成圖片后，用圖像算法去水印，但這樣會(huì)破壞文件原信息結(jié)構(gòu)。
3.根據(jù)水印大小位置特征，找到所有元素后刪除。這是更推薦的方式。
第3種方式效果最好，但如果碰到一些復(fù)雜的文檔水印，就非?？简?yàn)?zāi)托摹?/p>
你得一個(gè)個(gè)識(shí)別操作命令，一邊替換一邊檢查效果，直到水印成功去除。
但，未必剩下的所有頁都可以用同樣特征模式來消除，因?yàn)檫@份PDF可能經(jīng)過多人加水印，已經(jīng)包含多種加水印方式。
所以，去水印并沒有一種100%安全有效（不錯(cuò)刪信息）且通用的方法。
加水印、去水印本質(zhì)上是一種攻防策略。
比如一些工具推出去水印功能，一旦公開，加水印方就能識(shí)別并避開它的去除方法。
最后，尊重版權(quán)，是每個(gè)人應(yīng)有的態(tài)度。
除了學(xué)習(xí)外，正式使用時(shí)，應(yīng)該遵守內(nèi)容創(chuàng)作方的規(guī)則。
PDF加密解密
PDF里的密碼，分為用戶密碼和所有者密碼。
PyPDF2里提供了基本的加密功能，“防君子不防小人”。
如果打開PDF文件后，復(fù)制了新文件，那新文件就不受所有者密碼的約束，可被修改。
import pathlib from PyPDF2 import PdfFileReader, PdfFileWriter path = list(pathlib.Path.cwd().parents)[1].joinpath('data/automate/002pdf') f_path = path.joinpath('2020-新冠肺炎疫情對(duì)中國連鎖餐飲行業(yè)的影響調(diào)研報(bào)告-中國連鎖經(jīng)營(yíng)協(xié)會(huì).pdf') out_path_encrypt = path.joinpath('002pdf_encrypt.pdf') out_path_decrypt = path.joinpath('002pdf_decrypt.pdf') with open(f_path, 'rb') as f, open(out_path_encrypt, 'wb') as f_out: pdf = PdfFileReader(f) pdf_out = PdfFileWriter() cnt_pages = pdf.getNumPages() for i in range(cnt_pages): page = pdf.getPage(i) pdf_out.addPage(page) pdf_out.encrypt('123456', owner_pwd='654321') pdf_out.write(f_out) # 重新讀取加密文件并生成解密文件 with open(out_path_encrypt, 'rb') as f, open(out_path_decrypt, 'wb') as f_out: pdf = PdfFileReader(f) if not pdf.isEncrypted: print('文件未被加密') else: success = pdf.decrypt('123456') # if not success: pdf_out = PdfFileWriter() pdf_out.appendPagesFromReader(pdf) pdf_out.write(f_out)
看完了這篇文章，相信你對(duì)Python中PyPDF2模塊是什么有了一定的了解，想了解更多相關(guān)知識(shí)，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道，感謝各位的閱讀！
重慶分公司
重慶分公司
