Python实践之操作PDF

今天和大家分享一个平时大家都可能会遇到的如下这些场景：

拷贝PDF中文本信息

给PDF文档加个水印

只需要PDF中某几页(可能是交叉页面)

手头有一大堆PDF文档，需要给每个文档都加个密码

上面几个场景，看起来简单，但是当真需要处理的时候，发现手头如果没有一个比较好的PDF的编辑器，很难完成任务。同时当对于一大堆文档的时候，即使有个好的PDF编辑器，也要做重复且大量的工作，才能完成任务

今天就和大家分享一个好东西，那就是Python这个强大的脚本语言，当处理如上问题，那叫一个简单。废话就不多说，我们赶快进入正题，在进入正题前，我们先了解几个基本概念，这样方便不太清楚的小伙伴也能先有个正题理解

前奏

什么是PDF文档

老规矩，维基百科给PDF定义如下：

可移植文档格式（Portable Document Format，简称PDF）是一种用独立于应用程序、硬件、操作系统的方式呈现文档的文件格式。每个PDF文件包含固定布局的平面文档的完整描述，包括文本、字形、图形及其他需要显示的信息。

PDF文档以.pdf作为文件扩展名，由于PDF是可移植的文档格式，跨平台、格式固定，这样我发个文档给你，你打开时就不会因为当前系统安装的软件版本不一样打不开、格式布局发生变法，导致你看到的不是我想给你看到的样式。基于这样那样的问题，目前使用场景很多

准备环境

既然我们要用Python操作PDF，那边我们首先得有Python环境和处理PDF的Python模块。

安装Python3

首先我们需要在本机准备一个Python的环境，目前有很多中安装Python的方法和软件。此处我强烈推荐大家安装Anaconda，这是一个学习Python的利器

Python易用，但用好却不易，其中比较头疼的就是包管理和Python不同版本的问题，特别是当你使用Windows的时候。为了解决这些问题，有不少发行版的Python，比如WinPython、Anaconda、pycharm等，这些发行版将Python和许多常用的package打包，方便pythoners直接使用

这些坑我也都踩过，当时心血来潮要学学数据分析，发现清一色的使用Anaconda，小白嘛，所以也就从众一回，自从用上了Anaconda，我觉觉得应该这就是我想要的

Anaconda是专注于数据分析的Python发行版本，包含了conda、Python等190多个科学包及其依赖项。对于Anaconda的优点别人的经典总结：*省时省心、分析利器 *

省时省心： Anaconda通过管理工具包、开发环境、Python版本，大大简化了你的工作流程。不仅可以方便地安装、更新、卸载工具包，而且安装时能自动安装相应的依赖包，同时还能使用不同的虚拟环境隔离不同要求的项目

分析利器： 在 Anaconda 官网中是这么宣传自己的：适用于企业级大数据分析的Python工具。其包含了720多个数据科学相关的开源包，在数据可视化、机器学习、深度学习等多方面都有涉及。不仅可以做数据分析，甚至可以用在大数据和人工智能领域

既然说了这么多，关键的是下面如何安装：

Anaconda的下载页参见官网，Linux、Mac、Windows均支持 ,建议安装基于Python3的版本，目前基本上都是使用Python3了(如果使用Python2可能本文示例存在一些不兼容)

建议大家先huag花个时间去学习下Anaconda，目前网上很多教程，有两个地方可以按照自己需求选择学习

Jupyter Notebook

Spyder

阅读本文可以先略过这些操作，如果自己要亲自实践一定要先好好学习下它。

安装PyPDF2模块

完成了Anaconda的安装后，下一步我们就要安装模块PyPDF2了，要安装它，首先打开其命令行

在命令行输入如下命令：

`

注意：这个模块名称是区分大小写的，所以要确保 y 是小写，其他字母都是大写PyPDF2，安装完成后在项目中导入import PyPDF2即可

完成了安装后，打开IDE(上上图中的Spyder)

提醒

本文主要使用PyPDF2库进行pdf文档操作，通过使用发现该库有些缺点，如果无法满足你的需求，下面的内容仅供参考

缺点

提取文本时，对中文支持不好

PyPDF2 不能将任意文本写入 PDF，PyPDF2 写入能力，仅限于从其他 PDF 中拷贝页面、旋转页面、重叠页面和加密文件

模块不允许直接编辑 PDF。必须创建一个新的 PDF，然后从已有的文档拷贝内容

PDF文档操作

下面进入今天的正题，开始前，首先应该去看看PyPDF2的官方文档，主要内容如下图：

首先列出主函数和相应全局变量

PDF文档内容提取

提取页面内容相对较简单，通过PdfFileReader对象获取指定页面对象PageObject，通过其方法extractText()即可返回文本内容，目前发送中文不太友好，同时也没有找到相对应的解决方案

结果如下：

PDF添加水印

对于给PDF文档添加水印其主要步骤有如下几步：

将水印放入pdf文件‘watermark.pdf’中，通过PdfFileReader加载

加载需要添加水印的pdf文件'The Zen of Python.pdf'

通过PdfFileWriter创建输出文件

遍历页面依次通过mergePage合并页面，再通过addPage将页面进行保存

结果形如：

!

PDF加解密

PDF的加解密主要就是三个方法的使用

encrypt 加密

isEncrypted 判断文件是否加密

decrypt 解密文档

PDF页面拆分与合并

页面拆分和合并主要还是通过对页面的遍历，再对页面对象的一些操作。

结果形如：

该文中涉及的到的代码和文档上传至github中stepbysteplearnpython(https://github.com/wqliceman/step_by_step_learn_python)

欢迎关注交流共同进步