Python自动化办公系列之Python操作PDF

小白学视觉

发布于 2022-04-06 12:15:32

8930

发布于 2022-04-06 12:15:32

文章被收录于专栏：深度学习和计算机视觉

作者介绍：

大家可以叫我黄同学(博客名:Huang Supreme)，一个应用统计硕士，爱好写一些技术博客，志在用通俗易懂的写作风格，帮助大家学到知识，学好知识!

【作者导语】本文是鉴于有些粉丝的工作需求，有时候需要遇到这些文件的处理。因此，我写了一个文章集合，供大家参考。全篇包括三个章节，分别为：Python使用openpyxl操作excel、python使用PyPDF2和pdfplumber操作pdf、python使用python-docx操作word。本篇为第二章节。

全文已整理为pdf，可按文末指引获取。

本章目录

章节二

python使用PyPDF2和pdfplumber操作pdf

1、PyPDF2和pdfplumber库介绍

2、python提取PDF文字内容

1）利用pdfplumber提取文字

2）利用pdfplumber提取表格并写入excel

3、PDF合并及页面的排序和旋转

1）分割及合并pdf

① 合并pdf

② 拆分pdf

2）旋转及排序pdf

① 旋转pdf

② 排序pdf

4、pdf批量加水印及加密、解密

1）批量加水印

2）批量加密、解密

① 加密pdf

② 解密pdf并保存为未加密的pdf

上下滚动查看更多

章节二：python使用PyPDF2和pdfplumber操作pdf

1、PyPDF2和pdfplumber库介绍

PyPDF2官网：PyPDF2官网（https://pythonhosted.org/PyPDF2/），可以更好的读取、写入、分割、合并PDF文件；
pdfplumber官网：pdfplumber官网（https://github.com/jsvine/pdfplumber），可以更好地读取PDF文件内容和提取PDF中的表格；
这两个库不属于python标准库，都需要单独安装；

2、python提取PDF文字内容

1）利用pdfplumber提取文字

import PyPDF2
import pdfplumber

with pdfplumber.open("餐饮企业综合分析.pdf") as p:
    page = p.pages[2]
    print(page.extract_text())

结果如下：

2）利用pdfplumber提取表格并写入excel

extract_table()：如果一页有一个表格；
extract_tables()：如果一页有多个表格；

import PyPDF2
import pdfplumber
from openpyxl import Workbook

with pdfplumber.open("餐饮企业综合分析.pdf") as p:
    page = p.pages[4]
    table = page.extract_table()
    print(table)
    
    workbook = Workbook()
    sheet = workbook.active
    for row in table:
        if not "".join() == ""
            sheet.append(row)
    workbook.save(filename = "新pdf.xlsx")

结果如下：

缺陷：可以看到，这里提取出来的表格有很多空行，怎么去掉这些空行呢？判断：将列表中每个元素都连接成一个字符串，如果还是一个空字符串那么肯定就是空行。

import PyPDF2
import pdfplumber
from openpyxl import Workbook

with pdfplumber.open("餐饮企业综合分析.pdf") as p:
    page = p.pages[4]
    table = page.extract_table()
    print(table)
    
    workbook = Workbook()
    sheet = workbook.active
    for row in table:
        if not "".join([str(i) for i in row]) == "":
            sheet.append(row)
    workbook.save(filename = "新pdf.xlsx")

结果如下：

3、PDF合并及页面的排序和旋转

1）分割及合并pdf

① 合并pdf

首先，我们有如下几个文件，可以发现这里共有三个PDF文件需要我们合并。同时可以发现他们的文件名都是有规律的(如果文件名，没有先后顺序，我们合并起来就没有意义了。)

代码如下：

from PyPDF2 import PdfFileReader, PdfFileWriter

pdf_writer = PdfFileWriter()
for i in range(1,len(os.listdir(r"G:\6Tipdm\7python办公自动化\concat_pdf"))+1):
    print(i*50+1,(i+1)*50)
    pdf_reader = PdfFileReader("G:\\6Tipdm\\7python办公自动化\\concat_pdf\{}-{}.pdf".format(i*50+1,(i+1)*50))
    for page in range(pdf_reader.getNumPages()):
        pdf_writer.addPage(pdf_reader.getPage(page))
        
with open("G:\\6Tipdm\\7python办公自动化\\concat_pdf\merge.pdf", "wb") as out:
    pdf_writer.write(out)

结果如下：

② 拆分pdf

这里有一个“时间序列.pdf”的文件，共3页，我们将其每一页存为一个PDF文件。

代码如下：

from PyPDF2 import PdfFileReader, PdfFileWriter

pdf_reader = PdfFileReader(r"G:\6Tipdm\7python办公自动化\concat_pdf\时间序列.pdf")
for page in range(pdf_reader.getNumPages()):
    pdf_writer = PdfFileWriter()
    pdf_writer.addPage(pdf_reader.getPage(page))
    with open(f"G:\\6Tipdm\\7python办公自动化\\concat_pdf\\{page}.pdf", "wb") as out:
        pdf_writer.write(out)

结果如下：

2）旋转及排序pdf

① 旋转pdf

.rotateClockwise(90的倍数)：顺时针旋转90度
.rotateCounterClockwise(90的倍数)：逆时针旋转90度

from PyPDF2 import PdfFileReader, PdfFileWriter

pdf_reader = PdfFileReader(r"G:\6Tipdm\7python办公自动化\concat_pdf\时间序列.pdf")
pdf_writer = PdfFileWriter()
for page in range(pdf_reader.getNumPages()):
    if page % 2 == 0:
        rotation_page = pdf_reader.getPage(page).rotateCounterClockwise(90)
    else:
        rotation_page = pdf_reader.getPage(page).rotateClockwise(90)
    pdf_writer.addPage(rotation_page)
    with open("G:\\6Tipdm\\7python办公自动化\\concat_pdf\\旋转.pdf", "wb") as out:
        pdf_writer.write(out)
"""
上述代码中，我们循环遍历了这个pdf，对于偶数页我们逆时针旋转90°，对于奇数页我们顺时针旋转90°；
注意：旋转的角度只能是90的倍数；
"""

其中一页效果展示如下：

② 排序pdf

需求：我们有一个PDF文件，我们需要倒序排列，应该怎么做呢？首先，我们来看python中，怎么倒叙打印一串数字，如下图所示。

那么倒序排列一个pdf，思路同上，代码如下：

from PyPDF2 import PdfFileReader, PdfFileWriter

pdf_reader = PdfFileReader(r"G:\6Tipdm\7python办公自动化\concat_pdf\时间序列.pdf")
pdf_writer = PdfFileWriter()
for page in range(pdf_reader.getNumPages()-1, -1, -1):
    pdf_writer.addPage(pdf_reader.getPage(page))
with open("G:\\6Tipdm\\7python办公自动化\\concat_pdf\\倒序.pdf", "wb") as out:
        pdf_writer.write(out)

结果如下：

4、pdf批量加水印及加密、解密

1）批量加水印

from PyPDF2 import PdfFileReader, PdfFileWriter
from copy import copy

water = PdfFileReader(r"G:\6Tipdm\7python办公自动化\concat_pdf\水印.pdf")
water_page = water.getPage(0)

pdf_reader = PdfFileReader(r"G:\6Tipdm\7python办公自动化\concat_pdf\aa.pdf")
pdf_writer = PdfFileWriter()

for page in range(pdf_reader.getNumPages()):
    my_page = pdf_reader.getPage(page)
    new_page = copy(water_page)
    new_page.mergePage(my_page)
    pdf_writer.addPage(new_page)
with open("G:\\6Tipdm\\7python办公自动化\\concat_pdf\\添加水印后的aa.pdf", "wb") as out:
        pdf_writer.write(out)  
"""
这里有一点需要注意：进行pdf合并的时候，我们希望“水印”在下面，文字在上面，因此是“水印”.mergePage(“图片页”)
"""

结果如下：

2）批量加密、解密

这里所说的“解密”，是在知道pdf的密码下，去打开pdf，而不是暴力破解；

① 加密pdf

from PyPDF2 import PdfFileReader, PdfFileWriter

pdf_reader = PdfFileReader(r"G:\6Tipdm\7python办公自动化\concat_pdf\时间序列.pdf")
pdf_writer = PdfFileWriter()
for page in range(pdf_reader.getNumPages()):
    pdf_writer.addPage(pdf_reader.getPage(page))
# 添加密码
pdf_writer.encrypt("a123456")
with open("G:\\6Tipdm\\7python办公自动化\\concat_pdf\\时间序列.pdf", "wb") as out:
        pdf_writer.write(out)

结果如下：

② 解密pdf并保存为未加密的pdf

from PyPDF2 import PdfFileReader, PdfFileWriter

pdf_reader = PdfFileReader(r"G:\6Tipdm\7python办公自动化\concat_pdf\时间序列.pdf")
# 解密pdf
pdf_reader.decrypt("a123456")
pdf_writer = PdfFileWriter()
for page in range(pdf_reader.getNumPages()):
    pdf_writer.addPage(pdf_reader.getPage(page))
with open("G:\\6Tipdm\\7python办公自动化\\concat_pdf\\未加密的时间序列.pdf", "wb") as out:
        pdf_writer.write(out)

结果如下：