用 Python 开发专属 PDF 文档处理助手

在日常工作中，PDF 文档处理是不可避免的任务，比如合并多个PDF、提取页面或从中提取文字和图像。今天，我们将使用 Python 构建一个功能强大的 PDF 文档处理助手，让这些操作变得轻而易举。

 环境准备

我们需要借助以下 Python 库来处理 PDF 文件：

PyPDF2：处理 PDF 文件的常用库（支持合并、拆分、加密等操作）。

pdfplumber：从 PDF 中提取文字和图片。

reportlab：生成和编辑 PDF 文档。

安装这些库：

pip install PyPDF2 pdfplumber reportlab

 功能一：拆分 PDF 文件

拆分 PDF 文件常用于从大文档中提取特定页面。以下代码演示了如何实现：

from PyPDF2 import PdfReader, PdfWriter

def split_pdf(input_file, output_file, start_page, end_page):

  reader = PdfReader(input_file)

  writer = PdfWriter()

  for page_num in range(start_page - 1, end_page):

      writer.add_page(reader.pages[page_num])

  with open(output_file, "wb") as output_pdf:

      writer.write(output_pdf)

# 示例调用

split_pdf("sample.pdf", "output.pdf", 1, 3)

效果：将sample.pdf的第 1 页到第 3 页提取并保存为output.pdf。

 功能二：合并多个 PDF

当需要将多个 PDF 文件合并成一个文档时，这段代码会派上用场：

from PyPDF2 import PdfMerger

def merge_pdfs(pdf_list, output_file):

  merger = PdfMerger()

  for pdf in pdf_list:

      merger.append(pdf)

  with open(output_file, "wb") as output_pdf:

      merger.write(output_pdf)

# 示例调用

merge_pdfs(["file1.pdf", "file2.pdf", "file3.pdf"], "merged.pdf")

效果：将file1.pdf、file2.pdf和file3.pdf合并为merged.pdf。

 功能三：从 PDF 中提取文本

提取 PDF 文件的文字信息对数据分析或内容检查非常有用。

import pdfplumber

def extract_text_from_pdf(pdf_file):

  with pdfplumber.open(pdf_file) as pdf:

      for page in pdf.pages:

          print(page.extract_text())

# 示例调用

extract_text_from_pdf("sample.pdf")

效果：逐页输出sample.pdf中的文字内容。

 功能四：提取 PDF 中的图片

从 PDF 提取图片可以用于图像存档或数据标注任务。

import pdfplumber

def extract_images_from_pdf(pdf_file, output_folder):

  with pdfplumber.open(pdf_file) as pdf:

      for page_num, page in enumerate(pdf.pages, start=1):

          for img_num, img in enumerate(page.images, start=1):

              image = pdf.pages[page_num - 1].images[img_num - 1]

              with open(f"{output_folder}/page{page_num}_img{img_num}.jpg", "wb") as img_file:

                  img_file.write(image)

# 示例调用

extract_images_from_pdf("sample.pdf", "images")

 功能五：生成带水印的 PDF

为 PDF 文档添加水印是确保版权保护的重要步骤。

from PyPDF2 import PdfReader, PdfWriter

def add_watermark(input_file, watermark_file, output_file):

  reader = PdfReader(input_file)

  watermark_reader = PdfReader(watermark_file)

  watermark_page = watermark_reader.pages[0]

  writer = PdfWriter()

  for page in reader.pages:

      page.merge_page(watermark_page)

      writer.add_page(page)

  with open(output_file, "wb") as output_pdf:

      writer.write(output_pdf)

# 示例调用

add_watermark("sample.pdf", "watermark.pdf", "watermarked.pdf")

效果：为sample.pdf添加水印，生成watermarked.pdf。

 功能六：自动生成 PDF 报告

借助reportlab，我们可以快速生成专业的 PDF 报告。

from reportlab.pdfgen import canvas

def generate_pdf_report(output_file, title, content):

  c = canvas.Canvas(output_file)

  c.setFont("Helvetica-Bold", 20)

  c.drawString(100, 750, title)

  c.setFont("Helvetica", 12)

  for i, line in enumerate(content, start=1):

      c.drawString(100, 750 - i * 20, line)

  c.save()

# 示例调用

generate_pdf_report("report.pdf", "Python PDF 报告", ["这是第一行内容", "这是第二行内容"])

效果：生成一份名为report.pdf的 PDF 文档，包含标题和内容。

 总结

通过上述功能模块，你的 PDF 助手已经具备了解决大部分 PDF 处理需求的能力。以下是扩展方向：

交互式界面：借助 Tkinter 或 PyQt 构建用户界面。

批处理功能：支持文件夹级操作。

在线服务：用 Flask 或 FastAPI 构建 Web 应用，实现在线处理。

现在，动手试试吧！构建属于你的专属 PDF 助手！