實際應用中，可能會涉及處理 pdf 檔案，PyPDF2 就是這樣一個庫，使用它可以輕鬆的處理 pdf 檔案，它提供了讀，割，合併，檔案轉換等多種操作。

文件地址：http://pythonhosted.org/PyPDF2/

PyPDF2 安裝

PyCharm 安裝：File -> Default Settings -> Project Interpreter

PdfFileReader

構造方法：

PyPDF2.PdfFileReader(stream,strict = True,warndest = None,overwriteWarnings = True)

初始化一個 PdfFileReader 物件，此操作可能需要一些時間，因為 PDF 流的交叉引用表被讀入記憶體。

引數：

• stream：*File 物件或支援與 File 物件類似的標準讀取和查詢方法的物件，也可以是表示 PDF 檔案路徑的字串。
• *strict（bool）： 確定是否應該警告使用者所用的問題，也導致一些可糾正的問題是致命的，預設是 True
• warndest : 記錄警告的目標(預設是 sys.stderr)
• overwriteWarnings(bool)：確定是否 warnings.py 用自定義實現覆蓋 Python 模組（預設為 True）

PdfFileReader 物件的屬性和方法

屬性和方法	描述
getDestinationPageNumber(destination)	檢索給定目標物件的頁碼
getDocumentInfo()	檢索 PDF 檔案的文件資訊字典
getFields(tree = None,retval = None,fileObj= None)	如果此 PDF 包含互動式表單欄位，則提取欄位資料，
getFormTextFields()	從文件中檢索帶有文字資料（輸入，下拉列表）的表單域
getNameDestinations(tree = None,retval= None)	檢索文件中的指定目標
getNumPages()	計算此 PDF 檔案中的頁數
getOutlines(node = None,outline = None,)	檢索文件中出現的文件大綱
getPage(pageNumber)	從這個 PDF 檔案中檢索指定編號的頁面
getPageLayout()	獲取頁面佈局
getPageMode()	獲取頁面模式
getPageNumber(pageObject)	檢索給定 pageObject 處於的頁碼
getXmpMetadata()	從 PDF 文件根目錄中檢索 XMP 資料
isEncrypted	顯示 PDF 檔案是否加密的只讀布林屬性
namedDestinations	訪問該getNamedDestinations()函式的只讀屬性

PDF 讀取操作：

# encoding:utf-8
from PyPDF2 import PdfFileReader,PdfFileWriter

readFile = 'C:/Users/Administrator/Desktop/RxJava 完全解析.pdf'
# 獲取 PdfFileReader 物件
pdfFileReader = PdfFileReader(readFile) # 或者這個方式：pdfFileReader = PdfFileReader(open(readFile,'rb'))
# 獲取 PDF 檔案的文件資訊
documentInfo = pdfFileReader.getDocumentInfo()
print('documentInfo = %s' % documentInfo)
# 獲取頁面佈局
pageLayout = pdfFileReader.getPageLayout()
print('pageLayout = %s ' % pageLayout)

# 獲取頁模式
pageMode = pdfFileReader.getPageMode()
print('pageMode = %s' % pageMode)

xmpMetadata = pdfFileReader.getXmpMetadata()
print('xmpMetadata = %s ' % xmpMetadata)

# 獲取 pdf 檔案頁數
pageCount = pdfFileReader.getNumPages()

print('pageCount = %s' % pageCount)
for index in range(0,pageCount):
  # 返回指定頁編號的 pageObject
  pageObj = pdfFileReader.getPage(index)
  print('index = %d,pageObj = %s' % (index,type(pageObj))) # <class 'PyPDF2.pdf.PageObject'>
  # 獲取 pageObject 在 PDF 文件中處於的頁碼
  pageNumber = pdfFileReader.getPageNumber(pageObj)
  print('pageNumber = %s ' % pageNumber)

輸出結果:

documentInfo = {'/Title': IndirectObject(157,0),'/Producer': IndirectObject(158,'/Creator': IndirectObject(159,'/CreationDate': IndirectObject(160,'/ModDate': IndirectObject(160,'/Keywords': IndirectObject(161,'/AAPL:Keywords': IndirectObject(162,0)}
pageLayout = None
pageMode = None
xmpMetadata = None
pageCount = 3
index = 0,pageObj = <class 'PyPDF2.pdf.PageObject'>
pageNumber = 0
index = 1,pageObj = <class 'PyPDF2.pdf.PageObject'>
pageNumber = 1
index = 2,pageObj = <class 'PyPDF2.pdf.PageObject'>
pageNumber = 2

PdfFileWriter

這個類支援 PDF 檔案，給出其他類生成的頁面。

屬性和方法	描述
addAttachment(fname,fdata)	在 PDF 中嵌入檔案
addBlankPage(width= None,height=None)	追加一個空白頁面到這個 PDF 檔案並返回它
addBookmark(title,pagenum,parent=None, color=None,bold=False,italic=False,fit='/fit,*args')
addJS(javascript)	新增將在開啟此 PDF 是啟動的 javascript
addLink(pagenum,pagedest,rect,border=None,fit='/fit',*args)	從一個矩形區域新增一個內部連結到指定的頁面
addPage(page)	新增一個頁面到這個PDF 檔案，該頁面通常從 PdfFileReader 例項獲取
getNumpages()	頁數
getPage(pageNumber)	從這個 PDF 檔案中檢索一個編號的頁面
insertBlankPage(width=None,height=None,index=0)	插入一個空白頁面到這個 PDF 檔案並返回它，如果沒有指定頁面大小，就使用最後一頁的大小
insertPage(page,index=0)	在這個 PDF 檔案中插入一個頁面，該頁面通常從 PdfFileReader 例項獲取
removeLinks()	從次數出中刪除連線盒註釋
removeText(ignoreByteStringObject = False)	從這個輸出中刪除影象
write(stream)	將新增到此物件的頁面集合寫入 PDF 檔案

PDF 寫入操作：

def addBlankpage():
  readFile = 'C:/Users/Administrator/Desktop/RxJava 完全解析.pdf'
  outFile = 'C:/Users/Administrator/Desktop/copy.pdf'
  pdfFileWriter = PdfFileWriter()

  # 獲取 PdfFileReader 物件
  pdfFileReader = PdfFileReader(readFile) # 或者這個方式：pdfFileReader = PdfFileReader(open(readFile,'rb'))
  numPages = pdfFileReader.getNumPages()

  for index in range(0,numPages):
    pageObj = pdfFileReader.getPage(index)
    pdfFileWriter.addPage(pageObj) # 根據每頁返回的 PageObject,寫入到檔案
    pdfFileWriter.write(open(outFile,'wb'))

  pdfFileWriter.addBlankPage()  # 在檔案的最後一頁寫入一個空白頁,儲存至檔案中
  pdfFileWriter.write(open(outFile,'wb'))

結果是：在寫入的 copy.pdf 文件的最後最後一頁寫入了一個空白頁。

分割文件（取第五頁之後的頁面）

def splitPdf():
  readFile = 'C:/Users/Administrator/Desktop/RxJava 完全解析.pdf'
  outFile = 'C:/Users/Administrator/Desktop/copy.pdf'
  pdfFileWriter = PdfFileWriter()

  # 獲取 PdfFileReader 物件
  pdfFileReader = PdfFileReader(readFile) # 或者這個方式：pdfFileReader = PdfFileReader(open(readFile,'rb'))
  # 文件總頁數
  numPages = pdfFileReader.getNumPages()

  if numPages > 5:
    # 從第五頁之後的頁面，輸出到一個新的檔案中，即分割文件
    for index in range(5,numPages):
      pageObj = pdfFileReader.getPage(index)
      pdfFileWriter.addPage(pageObj)
    # 新增完每頁，再一起儲存至檔案中
    pdfFileWriter.write(open(outFile,'wb'))

合併文件

def mergePdf(inFileList,outFile):
  '''
  合併文件
  :param inFileList: 要合併的文件的 list
  :param outFile:  合併後的輸出檔案
  :return:
  '''
  pdfFileWriter = PdfFileWriter()
  for inFile in inFileList:
    # 依次迴圈開啟要合併檔案
    pdfReader = PdfFileReader(open(inFile,'rb'))
    numPages = pdfReader.getNumPages()
    for index in range(0,numPages):
      pageObj = pdfReader.getPage(index)
      pdfFileWriter.addPage(pageObj)

    # 最後,統一寫入到輸出檔案中
    pdfFileWriter.write(open(outFile,'wb'))

PageObject

PageObject(pdf=None,indirectRef=None)

此類表示 PDF 檔案中的單個頁面，通常這個物件是通過訪問 PdfFileReader 物件的 getPage() 方法來得到的，也可以使用 createBlankPage() 靜態方法建立一個空的頁面。

引數：

• pdf : 頁面所屬的 PDF 檔案。
• indirectRef：將源物件的原始間接引用儲存在其源 PDF 中。

PageObject 物件的屬性和方法

屬性或方法	描述
static createBlankPage(pdf=None,width=None,height=None)	返回一個新的空白頁面
extractText()	找到所有文字繪圖命令，按照他們在內容流中提供的順序，並提取文字
getContents()	訪問頁面內容，返回 Contents 物件或 None
rotateClockwise(angle)	順時針旋轉 90 度
scale(sx,sy)	通過向其內容應用轉換矩陣並更新頁面大小

粗略讀取 PDF 文字內容

def getPdfContent(filename):
  pdf = PdfFileReader(open(filename,"rb"))
  content = ""
  for i in range(0,pdf.getNumPages()):
    pageObj = pdf.getPage(i)

    extractedText = pageObj.extractText()
    content += extractedText + "\n"
    # return content.encode("ascii","ignore")
  return content

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支援我們。