Django项目实战：Django＋PyPDF2实现PDF页面提取和PDF文件输出

在日常工作中我们经常需要从一个大的PDF文档中提取我们所需要的页面，所以今天我们将教你用Django + PyPDF2开发个小Web应用: 用户上传一个PDF文档，输入需要提取的页面号码，点击确定后浏览器会自动给用户返回想提取的PDF页面。如果你要练习这个项目，你首先要确保已安装Django 2.X + Python 3.X。如果你还没有安装PyPDF2，可以通过pip install PyPDF2安装好这个第三方包。如果你喜欢我们的原创文章，欢迎关注我们的微信公众号【Python与Django大咖之路】。

项目开发总体思路

我们的开发思路是这样子的。我们设计一个表单，让用户上传PDF文件和输入提取页面号码。服务器在收到PDF文件后使用PyPDF2读取用户上传的PDF文件，提取我们所需要的页面，然后通过HttpResponse将这个新生成的PDF文件通过浏览器返回给客户。

因为这个应用很简单，我们只需要开发一个功能性页面，也不需要建立什么模型Models。重点要编写的是视图views.py, 用来处理用户的请求。

第一步 创建项目，设计URL

在CMD终端里输入python manage.py startapp pdf创建一个叫pdf的app，然后把这个app加入到你的myproject/settings.py里INSTALLED_APPS去。

#myproject/settings.py

INSTALLED_APPS = [

'django.contrib.admin',

'django.contrib.auth',

'django.contrib.contenttypes',

'django.contrib.sessions',

'django.contrib.messages',

'django.contrib.staticfiles',

'pdf',

]

在pdf文件目录下创建一个urls.py, 添加如下代码。更多URL编写知识见Django核心技术基础(2): URL的设计与配置。

# pdf/urls.py

fromdjango.urlsimportpath

from.importviews

# namespace

app_name ='pdf'

urlpatterns = [

# 上传pdf，用户输入需要提取的页面, 返回需要提取的页面

path('extract/',views.pdf_extract,name='pdf_extract'),

]

同时我们应将上述urls加入到myproject/urls.py里去。这样当用户通过浏览器访问/pdf/extract/时，服务器就会调用我们views里的pdf_extract方法来处理用户的请求。

fromdjango.contribimportadmin

fromdjango.urlsimportpath,include

# 对于处理静态文件如图片，CSS和文本非常重要

fromdjango.confimportsettings

fromdjango.conf.urls.staticimportstatic

urlpatterns = [

path('admin/',admin.site.urls),

path('pdf/',include('pdf.urls')),

] + static(settings.MEDIA_URL,document_root=settings.MEDIA_ROOT)

第二步 设计表单forms.py

因为我们在视图view里需要使用到上传文件的表单，所以我们这里先设计表单。这个表单非常简单，只有2个字段。如下所示。

# pdf/forms.py

fromdjangoimportforms

classPdfUploadForm(forms.Form):

file = forms.FileField(label="上传PDF文件")

page = forms.IntegerField(min_value=1,label="输入抓取页码")

第三步 编写视图views.py

视图view是本项目中最重要的部分。其总体思路，我已经在代码中加了很多注释帮你理解。PyPDF2功能强大，可以提取PDF文件里的文字，也可以抓取PDF文件中的某个页面，还可以创建新的PDF文件, 比Django文档里提到的reportlab要好很多。

# pdf/views.py

fromdjango.shortcutsimportrender

fromdjango.httpimportHttpResponse

from.formsimportPdfUploadForm

importPyPDF2

# Create your views here.

defpdf_extract(request):

ifrequest.method =='POST':

# 如果用户通过POST提交

form = PdfUploadForm(request.POST,request.FILES)

ifform.is_valid():

# 如表单通过验证，获取提取文件页码

page_num =int(request.POST.get("page"))

# pdf文档页码对象编码是从0开始，所以减1

page_index = page_num -1

# 获取上传的文件对象

f = request.FILES['file']

# 打开上传的文件，写入新PDF文件

withopen('original.pdf','wb+')aspdfFileObj:

forchunkinf.chunks():

pdfFileObj.write(chunk)

# 利用PyPDF2读取新的PDF文件

pdfReader = PyPDF2.PdfFileReader(pdfFileObj)

# 利用PyPDF2提取页码对象

pageObj = pdfReader.getPage(page_index)

# 利用PyPDF2创建新的PDF文件对象

pdfWriter = PyPDF2.PdfFileWriter()

# 添加已读取的页面对象

pdfWriter.addPage(pageObj)

# 将提取页面写入新的PDF文件

withopen('extracted_pages.pdf','wb')aspdfOutputFile:

pdfWriter.write(pdfOutputFile)

# 打开新的PDF文件，通过HttpResponse输出

withopen('extracted_pages.pdf','rb')aspdfExtract:

response = HttpResponse(pdfExtract.read(),content_type='application/pdf')

response['Content-Disposition'] ='attachment; filename="extracted_page_{}.pdf"'.format(page_num)

returnresponse

else:

# 如果用户没有通过POST，提交生成空表单

form = PdfUploadForm()

returnrender(request,'pdf/pdf_upload.html',{'form': form})

上述代码中最值得需要你注意的地方是我们如何通过HttpReponse将生成的pdf文档返回给用户的。下行代码是最重要的，它不仅读取了打开的pdf文件的内容，还指定了返回内容类型是pdf文件, 否则会出现乱码。

response = HttpResponse(pdfExtract.read(), content_type='application/pdf')

第四步 编写模板template

模板文件非常简单，如下所示。我们在pdf文件夹里创建了一个templates文件夹，又在里面创建了一个新的pdf文件夹，然后把模板文件放里面了。至于为什么我们这么布局，请阅读Django项目推荐性的文件与文件夹布局。

# pdf/templates/pdf/pdf_upload.html

{% block content %}

上传pdf文件, 输入页面号码提取页面

{% csrf_token %}

{{ form.as_p }}

{% endblock %}

第五步 查看效果

现在你在CMD终端里输入python manage.py runserver。在浏览器中打开http://127.0.0.1:8000/pdf/extract/你就可以看到如下效果了。

第六步 想想需要改进的地方

整个项目离实际应用还有许多需要改进的地方，比如:

用户输入的页码超过了PDF文件总页数怎么办?

如果用户上传的不是PDF文件怎么处理？

如果用户想一次提取多个文件怎么办？比如1, 3, 5, 7...

这些问题就留给读者你思考吧，如果有问题，也欢迎给我们留言。