python操作PDF的几种常见方法_python3分割pdf

大家好，有关python操作pdf的方法，各种语言处理起来都比较麻烦，而且各种第三方库的应用场景都不同。下面说明一下python如何通过第三方库如何处理pdf文件。

一、文本内容提取

1.1、pdfplumber提取文本内容

安装pdfplumber

# 安装模块
pip install pdfplumber
1
2

pdfplumber提取PDF中文字代码思路如下

1. 利用pdfplumber打开一个 PDF 文件
2. 获取指定的页，或者遍历每一页
3. 利用.extract_text()方法提取当前页的文字

import pdfplumber
import os


path = os.getcwd()
filepath = os.path.join(path,"原则.pdf")

with pdfplumber.open(filepath) as pdf:
    for i in range(len(pdf.pages)):
        page = pdf.pages[i]
        print(page.extract_text())
1
2
3
4
5
6
7
8
9
10
11
12

1.2、pdfminer提取文本内容

安装pdfminer，注意安装顺序

pip install pdfminer3k
pip install pdfminer.six
1
2

pdfminer.six提取PDF中文字代码思路如下

• 利用open打开一个 PDF 文件
• 通过pdfdocument文档管理器读取pdf文件
• 通过PDFPageInterpreter解析器文档读取
• 通过PDFPageAggregator聚合器获取页面内容
• 利用.get_text()方法提取当前页的文字

读取pdf内容

from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument

fp = open("原则.pdf","rb")
pdfparser = PDFParser(fp)
doc = PDFDocument(pdfparser)
1
2
3
4
5
6
7

构造解析器和聚合器，下面这么逻辑步骤固定格式，直接这么写就可以。

from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.pdfinterp import PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LAParams

#pdf资源管理器
resource = PDFResourceManager()

#参数分析器
laparam  = LAParams()

#页面聚合器
device = PDFPageAggregator(resource,laparams=laparam)

#页面解释器
interpreter  = PDFPageInterpreter(resource,device)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

输出pdf内容

from pdfminer.pdfpage import PDFPage

for page in PDFPage.create_pages(doc):
    #使用页面解释器读取
    interpreter.process_page(page)
    
    #使用聚合器来获取内容
    layout = device.get_result()
    
    for out in layout:
        #需要注意的是pdf文件不仅文字，还有图片等内容，
        # 为了避免错误，我们判断是否为文本
        if(hasattr(out,'get_text')):
            print(out.get_text())
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

二、表格内容提取

表格内容我们也使用pdfplumber。安装过程和操作步骤也相同，提取表格，我们使用extract_table()方法提取表格内容，使用pandas.DataFrame显示内容。

import os
import pandas as pd
import pdfplumber

path = os.getcwd()

pdf = pdfplumber.open(os.path.join(path,"table.pdf"))
p0 = pdf.pages[0]
table = p0.extract_table()
df = pd.DataFrame(table[1:],columns=table[0])

print(df)
1
2
3
4
5
6
7
8
9
10
11
12
13

三、内容拆分

拆分和合并我们一般使用PyPDF2库

from PyPDF2 import PdfWriter,PdfReader
1

这里导入了两个方法：

• PdfReader 可以理解为读取器
• PdfWriter 可以理解为写入器

def split_pdf(infn,outfn,start,end):
    '''
    :param infn 源pdf路径
    :param outfn 目的pdf路径
    :param start 开始页面
    :param end 结束页面
    return
    '''
    pdf_output = PdfWriter()
    pdf_input = PdfReader(open(infn,"rb"))
    page_count = len(pdf_input.pages)
    
    if end  > page_count:
        end = page_counte
    
    #分割pdf页面，输出新的内容
    for i in range(start,end):
        pdf_output.add_page(pdf_input.pages[i])
    
    pdf_output.write(open(outfn,'wb'))



split_pdf("原则.pdf","原则2.pdf",5,10)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

四、内容合并

这里导入了两个方法：

• PdfReader 可以理解为读取器
• PdfMerger可以理解为合并器

from PyPDF2 import PdfMerger,PdfReader

def merge_pdf(filenames,merge_name,password=None):
    '''
    :param filenames 传递一个文件列表
    :param merge_name 合并后的文件
    :param password 对应的密码列表
    return
    '''
    files = len(filenames)
    pdf_merge = PdfMerger(False)
    
    for i in range(files):
        pdf_reader = PdfReader(open(filenames[i],"rb"))
        if(not pdf_reader):
            return
        pdf_merge.append(pdf_reader)
    
    pdf_merge.write(open(merge_name,"wb"))



merge_pdf(['原则1.pdf','原则2.pdf'],'原则3.pdf')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

五、通过命令工具生成pdf文档

可以借助命令行工具进行pdf文档的生成。wkhtmltopdf命令行和第三库pdfkit。
去网上下载wkhtmltopdf工具

# 安装pdfkit库
pip install pdfkit
1
2

5.1 网页内容生成pdf

import pdfkit

def url_to_pdf(url, to_file):
    # 将wkhtmltopdf.exe程序绝对路径传入config对象
    path_wkthmltopdf = r'D:\\tool\\wkhtmltopdf\\bin\\wkhtmltopdf.exe'
    config = pdfkit.configuration(wkhtmltopdf=path_wkthmltopdf)
    # 生成pdf文件，to_file为文件路径
    pdfkit.from_url(url, to_file, configuration=config)

    print('完成')

url_to_pdf('https://www.baidu.com','D:\baidu.pdf')
1
2
3
4
5
6
7
8
9
10
11
12
13

5.2 本地网页内容生成pdf

#避免乱码在html文件中，<meta charset="UTF-8">
def html_to_pdf(html, to_file):
    # 将wkhtmltopdf.exe程序绝对路径传入config对象
    path_wkthmltopdf = r'D:\\tool\\wkhtmltopdf\\bin\\wkhtmltopdf.exe'
    config = pdfkit.configuration(wkhtmltopdf=path_wkthmltopdf)
    # 生成pdf文件，to_file为文件路径
    pdfkit.from_file(html, to_file, configuration=config)

html_to_pdf('sample.html','out_2.pdf')
1
2
3
4
5
6
7
8
9
10

5.3 字符串内容生成pdf

'''将字符串生成pdf文件'''
def str_to_pdf(string, to_file):
    # 将wkhtmltopdf.exe程序绝对路径传入config对象
    path_wkthmltopdf = r'D:\\tool\\wkhtmltopdf\\bin\\wkhtmltopdf.exe'
    config = pdfkit.configuration(wkhtmltopdf=path_wkthmltopdf)
    # 生成pdf文件，to_file为文件路径
    pdfkit.from_string(string, to_file, configuration=config)
    print('完成')

str_to_pdf('This is test!','out_3.pdf')
1
2
3
4
5
6
7
8
9
10
11