不再为处理PDF烦恼，python处理操作PDF全攻略

本篇聊下Python对pdf的各种操作，包含pdf转word，pdf转图片，pdf翻转，加密，加水印等。

pdf转换word文档 保留格式

pdf转换为word文档，被大众经常使用的是纯Python库pdfminer和python-docx搭配使用，不过pdfminer转换成word，会丢失原来的pdf格式（图片和样式会丢失），只能是一个纯文本的。

比如下面是一个pdf文档，是一个目录索引样式。

为了研究怎么保留样式，我花了好些时间，最终测试验证了一种能接受的方案：使用libreoffice

libreoffice是一个免费的办公软件，能打开和操作docx,ppt,pdf等，提供不同文档格式之间的转换，而且支持命令行。

支持命令行的话，我们就能通过python的os.system()等方法调用libreoffice软件去做文档转换工作了。

首先要安装libreoffice:

下载地址如下：

https://zh-cn.libreoffice.org/download/libreoffice-still/

windows,linux,max三种版本都有。

安装成功后，在libreoffice/program 目录下面有个soffice.exe命令，我们就是用python调用soffice来做pdf和word转换。来测试一下pdf转word功能。

上面的命令是把ss.pdf 转换成docx格式，保存在D:\code\pdf\ 目录里，文件名是跟pdf同名，只是文件会变成.docx 。

来打开转换后的docx文档看一下，样式保留得还可以，要用office2007以上版本打开，office2003的打开样式有问题。

libreoffice转换的缺点是，不报错，你不知道是否转换成功。还有表格和多图的转换还有瑕疵。转换耗时会随着文档页数快速增加。

pdf转word文档 不保留格式

不保留格式，只需要文本的话，就直接使用 pdfminer和python-docx两个库搭配就好。pdfminer把pdf里的文字内容抽取出来，python-docx负责把抽取出来的写进word文档里。

写进word文档之前要把内容split分行，不然内容全都在一行，没有段落。还有要删掉一些乱七八糟的控制字符，不然保存word文档的时候要报错。

当然你需要使用pip install pdfminer 和 python-docx 这两个库。

pdf转图片

把pdf转换成图片的方案很多，比如wand库、PythonMagick等都能实现，pdf转图片的方案选择主要是考虑转换性能和图片质量上。转换一个几百K的pdf文档分辨不出哪个好使，如果是批量转换成百上千个pdf文档，又或者是转换一个几十M大小的pdf文档时就有优劣。

如果想程序简单和转换后的图片质量还OK，可使用pdf2image + Poppler 方案。Poppler 是一个处理pdf文档很有用的库，支持windows/linux/mac 。pdf2image是一个wrapper，提供调用Poppler的python接口。

首先要下载Poppler

https://blog.alivate.com.au/poppler-windows/

windows用户下载带x86字样的。

下载解压后，要把poppler下的bin目录绝对路劲加入到系统环境变量里，

比如我的是 D:\Program Files\poppler-0.68.0\bin ，要加入到系统环境变量Path变量里。不然pdf2image不知道去哪儿调用poppler。

然后安装pdf2image

pip install pdf2image

最后调用运行

不过这种方法要处理十几M以上的pdf时，我亲测慢如蜗牛，内存还可能不够。处理大文件可以使用ghostscript，也是一个c程序，速度还过得去，我用它一次批处理数千个十几M pdf文档也花了好几个小时。这里就不再赘述如何使用ghostscript了。

读取pdf文档元信息

比如获取文档作者，主题，创作时间，文档页数等等。

这里使用经典的PyPDF2库来操作，下面的操作都PyPDF2完成，当然你需要先安装，

pip install PyPDF2

翻转pdf

对pdf文档向左向右翻转90度，并保存为一个新的文档。

从上面读取pdf文档元信息和翻转pdf可以看出，操作PyPDF2来读取和写入pdf的方法分别是PdfFileReader和PdfFileWriter

合并pdf文档

把多个pdf文档合并成一个，操作方法也很简单，仍然是先使用PdfFileReader方法读取pdf每一个页面，然后用PdfFileWriter写入一个到新的pdf文档中。

拆分pdf分档

把一个pdf文档拆分成多个，操作思路都差不多，先用PdfFileReader读取pdf文档，再用PdfFileWriter把每一页写入新的。

下面的例子是把一个pdf文档每一页都拆分成一个pdf文档，按文件页数来命令新的文档。