日本免费高清视频-国产福利视频导航-黄色在线播放国产-天天操天天操天天操天天操|www.shdianci.com

學無先后，達者為師

網站首頁 編程語言 正文

一文教會你用Python讀取PDF文件_python

作者：夢想橡皮擦 ? 更新時間： 2022-10-04 編程語言

實戰場景

Python 工程師在日常的工作中，經常會碰到解析和處理PDF文件的情況，實戰中需求主要分為如下情況：

  • 提取 PDF 中的文字
  • 將 PDF 中每頁轉換為圖片
  • word 轉換為PDF
  • PDF生成，編輯，導入導出
  • PDF在線渲染

除了最后一項需要前端配合以外，其余內容都可以直接在 python 端進行實現。

本次實戰選擇 pdfplumber 庫進行學習，可以提前安裝該庫，不過有一點需要注意，該庫主要用于讀取 PDF 進行操作，寫入和編輯無法實現，即本文學習一款專注于 PDF 內容提取的庫。

> pip install pdfplumber -i https://pypi.tuna.tsinghua.edu.cn/simple

pdfplumber 庫具備如下特點：

  • 可以訪問PDF對象中的任意元素詳細信息；
  • 可以提取文本和表格，而且用法簡單；
  • 集成了可視化調試。

Python PDF 實戰編碼

下面可以編寫 PDF 操作的基礎代碼。

import pdfplumber

with pdfplumber.open('./dddd.pdf') as pdf:
    for page in pdf.pages:
        print(page.extract_text())

        # 每頁打印一分頁分隔
        print('---------- 分頁分隔 ----------')

導入 pdfplumber 模塊之后，使用 pdfplumber.open('./dddd.pdf') 打開本地 pdf 文件，然后通過 pdf.pages 遍歷所有頁，在通過頁對象的 .extract_text() 方法，提取文本信息。

pdfplumber.open() 方法的簽名如下所示：

pdfplumber.open("文件名", password = "密碼", laparams = { "line_overlap": 0.7 })

其中各參數描述如下：

  • file_name：文件名，必選參數；
  • password：PDF的密碼；
  • laparams：布局參數。

除此之外，如果希望讀取 PDF，還可以使用 load() 方法，該方法也會返回 pdfplumber.PDF 類的實例。

pdfplumber.PDF 對象實例，主要有兩個重要屬性：

  • .metadata：從PDF的Info中獲取元數據鍵 /值對字典。 通常包括“ CreationDate”，“ ModDate”，“ Producer”等；
  • .pages：包含 pdfplumber.Page 實例的列表，每一個實例代表PDF每一頁的信息。

上文提及的 pdfplumber.Page 實例是 pdfplumber 的核心，后續對 PDF 的操作大量圍繞該類的屬性和方法實施，其重要屬性如下所示：

  • page_number：頁碼順序，第一頁的序號是 1；
  • witdh：寬度；
  • height：高度；
  • .objects/.chars/.lines/.rects/.curves/.figures/.images：獲取PDF頁中的重要數據。

核心方法如下所示：

  • extract_text()：提取頁中的文本；
  • extract_words()：提取所有單詞及其相關信息；
  • extract_tables()： 提取頁面的表格。

extract_text() 呈現結果

extract_words() 呈現結果

extract_tables() 呈現效果，由于 PDF 中無表格，所有每頁得到的都是空！

補充

當然Python除了讀取PDF文件，還有一些其他功能，例如加密PDF，旋轉和疊加頁面等，下面是實現的示例代碼

旋轉和疊加頁面

import PyPDF2

from PyPDF2.pdf import PageObject

# 創建一個讀PDF文件的Reader對象

reader = PyPDF2.PdfFileReader('resources/XGBoost.pdf')

# 創建一個寫PDF文件的Writer對象

writer = PyPDF2.PdfFileWriter()

# 對PDF文件所有頁進行循環遍歷

for page_num in range(reader.numPages):

      # 獲取指定頁碼的Page對象

      current_page = reader.getPage(page_num) # type: PageObject

      if page_num % 2 == 0:

         # 奇數頁順時針旋轉90度

         current_page.rotateClockwise(90)

      else:

# 偶數頁反時針旋轉90度

             current_page.rotateCounterClockwise(90)

      writer.addPage(current_page)

# 最后添加一個空白頁并旋轉90度

page = writer.addBlankPage() # type: PageObject

page.rotateClockwise(90)

# 通過Writer對象的write方法將PDF寫入文件

with open('resources/XGBoost-modified.pdf', 'wb') as file:

    writer.write(file)

加密PDF文件

import PyPDF2

reader = PyPDF2.PdfFileReader('resources/XGBoost.pdf')
writer = PyPDF2.PdfFileWriter()

for page_num in range(reader.numPages):
     writer.addPage(reader.getPage(page_num))

# 通過encrypt方法加密PDF文件，方法的參數就是rre

#設置的密碼
writer.encrypt('foobared')

with open('resources/XGBoost-encrypted.pdf', 'wb') as file:

       writer.write(file)

批量添加水印

import PyPDF2

from PyPDF2.pdf import PageObject

reader1 = PyPDF2.PdfFileReader('resources/XGBoost.pdf') reader2 = PyPDF2.PdfFileReader('resources/watermark.pdf')
writer = PyPDF2.PdfFileWriter()

# 獲取水印頁
watermark_page = reader2.getPage(0)

for page_num in range(reader1.numPages):

     current_page = reader1.getPage(page_num) # type: PageObject                                           current_page.mergePage(watermark_page)

     # 將原始頁和水印頁進行合并
     writer.addPage(current_page) 

# 將PDF寫入文件
with open('resources/XGBoost-watermarked.pdf', 'wb') as file:

       writer.write(file)

原文鏈接：https://juejin.cn/post/7129692963273179149

欄目分類
最近更新