软件测试|教你用Python处理PDF文件（一）

原创

霍格沃兹测试开发Muller老师

发布于 2023-08-09 18:13:45

42800

代码可运行

文章被收录于专栏：muller的测试分享muller的测试分享

运行总次数：0

代码可运行

前言

我们在工作中，难免会遇到需要处理PDF文件的情况，PDF文件与Word文件不同，内容提取不是很容易，表格和图片都需要特别处理。不过PDF有一个优势，PDF可以跨平台使用，Windows系统，Mac系统都可以打开PDF文件，不像doc文件，需要在word或者类似的软件中才能打开。

但是PDF文件的内容复制并不方便，要是能够使用Python将内容取出来的话，就会很舒服了！本文就来给大家介绍一下Python处理PDF文件的方法。

环境与资源准备

Python有一个非常优秀的处理PDF的第三方库——PyPDF2，这是一个开源免费的库，用于处理PDF文件，能够实现对PDF文件的分离、合并、裁剪、转换、加密、解密等操作。

安装如下：

pip install PyPDF2

资源准备

我们创建了一个PDF文件，文件名为test.pdf，文件第一页内容为拜仁慕尼黑，第二页主要内容为两张图片，第三页主要内容为一个表格。

提取PDF文本内容

在我们获取PDF文件内容前，我们需要先获取一下PDF文件的基本信息，比如页数和页面文本等。代码如下：

from PyPDF2 import PdfReader

reader = PdfReader("test.pdf")

# 总页数
number_of_pages = len(reader.pages)

# 第一页
page = reader.pages[0]
text = page.extract_text()
print(text)

--------------------------
输出内容如下：
拜仁慕尼黑  
 
拜仁慕尼黑  
 
拜仁慕尼黑  
 
拜仁慕尼黑  
 
拜仁慕尼黑  
 
拜仁慕尼黑  
 
拜仁慕尼黑  
 
拜仁慕尼黑  
 
拜仁慕尼黑  
 
拜仁慕尼黑  
 
拜仁慕尼黑  
 
拜仁慕尼黑  
 
拜仁慕尼黑  
 
拜仁慕尼黑  
 
拜仁慕尼黑  
 
拜仁慕尼黑  
 
拜仁慕尼黑  
 
拜仁慕尼黑  
 
拜仁慕尼黑  
 
拜仁慕尼黑  
 
拜仁慕尼黑  
 
拜仁慕尼黑

PDF文件合并

同样地，我们也可以实现两个PDF文件的合并，代码如下：

import os
from PyPDF2 import PdfMerger

# pdf文件存放路径
src_path = 'files'

# 将待拼接的pdf文件以绝对路径的形式放在一个列表里
pdf_list = [f for f in os.listdir(src_path) if f.endswith('.pdf')]
pdf_list = [os.path.join(src_path, filename) for filename in pdf_list]

pdf_merger = PdfMerger()
for pdf in pdf_list:
    pdf_merger.append(pdf, import_outline=False)

pdf_merger.write("merged.pdf")

运行代码之后，我们就可以看到文件夹中多了一个merged.pdf文件，文件包含了合并的PDF文件的内容。

添加水印

如果我们想要为PDF文件添加水印，可以用于防伪等方面，那也是可以使用Python来实现的，代码如下：

from PyPDF2 import PdfWriter, PdfReader

# 读取作为水印的pdf
watermark = PdfReader("files/mark.pdf")

# 待加水印的pdf
reader = PdfReader("files/test.pdf")
page = reader.pages[0]

# watermark.pdf的第一页作为水印
page.merge_page(watermark.pages[0])

writer = PdfWriter()
writer.add_page(page)

# 保存成新的pdf
with open("output.pdf", "wb") as fp:
    writer.write(fp)

生成的PDF文件内容如下：