Python 办公自动化之 PDF 的详细操作

今天的具体内容将会从以下几个小节展开：,上述操作比较常用，也可以解决较多的办公内容，下面直接开始本节内容：,Python 操作 PDF 会用到两个库，分别是：PyPDF2 和 pdfplumber。,其中 PyPDF2 可以更好的读取、写入、分割、合并PDF文件，而 pdfplumber 可以更好的读取 PDF 文件中内容和提取 PDF 中的表格。,对应的官网分别是：,由于这两个库都不是 Python 的标准库，所以在使用之前都需要单独安装。,win+r 后输入 cmd 打开 command 窗口，依次输入如下命令进行安装：,安装完成后显示 success 则表示安装成功。,将一个完整的 PDF 拆分成几个小的 PDF，因为主要涉及到 PDF 整体的操作，所以本小节需要用到 PyPDF2 这个库。,拆分的大概思路如下：,需要注意的是，在拆分的过程中，可以手动设置间隔，例如：每5页保存成一个小的 PDF 文件。,拆分的代码如下：,以“易方达中小盘混合型证券投资基金2020年中期报告”为例，整个 PDF 文件一共 46 页，每5页为间隔，最终生成了10个小的 PDF 文件。,比起拆分来，合并的思路更加简单：,对应的代码比较简单：,涉及到具体的 PDF 内容 操作，本小节需要用到 pdfplumber 这个库。,在进行文字提取的时候，主要用到 extract_text 这个函数。,具体代码如下：,可以看到，直接通过下标即可定位到相应的页码，从而通过 extract_text 函数提取该也的所有文字。,而如果想要提取所有页的文字，只需要改成：,例如，提取“易方达中小盘混合型证券投资基金2020年中期报告” 第一页的内容时，源文件是这样的：,运行代码后提取出来是这样的：,同样的，本节是对具体内容的操作，所以也需要用到 pdfplumber 这个库。,和提取文字十分类似的是，提取表格内容只是将 extract_text 函数换成了 extract_table 函数。,对应的代码如下：,上面代码可以获取到第 18 页的第一个表格内容，并且将其保存为 csv 文件存在本地。,因为读取的表格会被存成二维数组，而多个二维数组就组成一个三维数组。,遍历这个三位数组，就可以得到该页的每一个表格数据，对应的将 extract_table 函数 改成 extract_tables 即可。,具体代码如下：,以“易方达中小盘混合型证券投资基金2020年中期报告” 第 xx 页的第一个表格为例：,源文件中的表格是这样的：,提取并存入 excel 之后的表格是这样的：,提取 PDF 中的图片和将 PDF 转存为图片是不一样的（下一小节），需要区分开。,提取图片：顾名思义，就是将内容中的图片都提取出来；,转存为图片：则是将每一页的 PDF 内容存成一页一页的图片，下一小节会详细说明,转存为图片中，需要用到一个模块叫 fitz，fitz 的最新版 1.18.13，非最新版的在部分函数名称上存在差异，代码中会标记出来,使用 fitz 需要先安装 PyMuPDF 模块，安装方式如下：,提取图片的整体逻辑如下：,实现的具体代码如下：,以本节示例的“易方达中小盘混合型证券投资基金2020年中期报告” 中的图片为例，代码运行后提取的图片如下：,这个结果和文档中的共 1 张图片的结果符合。,转换为照片比较简单，就是将一页页的 PDF 转换为一张张的图片。大致过程如下：,首先需要安装对应的库，最新的 pdf2image 库版本应该是 1.14.0。,它的 github地址 为：https://github.com/Belval/pdf2image ，感兴趣的可以自行了解。,安装方式如下：,对于不同的平台，需要安装相应的组件，这里以 windows 平台和 mac 平台为例：,Windows 平台,对于 windows 用户需要安装 poppler for Windows，安装链接是：http://blog.alivate.com.au/poppler-windows/,另外，还需要添加环境变量， 将 bin 文件夹的路径添加到环境变量 PATH 中。,Mac,对于 mac 用户，需要安装 poppler for Mac，具体可以参考这个链接：http://macappstore.org/poppler/,详细代码如下：,以本节示例的“易方达中小盘混合型证券投资基金2020年中期报告” 中的图片为例，该文档共 46 页，保存后的 PDF 照片如下：,一共 46 张图片,添加水印后的效果如下：,在制作水印的时候，可以自定义水印内容、透明度、斜度、字间宽度等等，可操作性比较好。,前面专门写过一篇文章，讲的特别详细：Python快速给PDF文件添加自定义水印。,你可能在打开部分 PDF 文件的时候，会弹出下面这个界面：,这种就是 PDF 文件被加密了，在打开的时候需要相应的密码才行。,本节所提到的也只是基于 PDF 文档的加密解密，而不是所谓的 PDF 密码破解。,在对 PDF 文件加密需要使用 encrypt 函数，对应的加密代码也比较简单：,代码执行成功后再次打开 PDF 文件则需要输入密码才行。,根据这个思路，破解 PDF 也可以通过暴力求解实现，例如：通过本地密码本一个个去尝试，或者根据数字+字母的密码形式循环尝试，最终成功打开的密码就是破解密码。,另外，针对已经加密的 PDF 文件，也可以使用 decrypt 函数进行解密操作。,解密代码如下：,解密完成后的 PDF 文档打开后不再需要输入密码，如需加密可再次执行加密代码。,以上就是 Python 操作 PDF 的全部内容，文中贴出的代码都已经测试过，可正常运行。