乐于分享
好东西不私藏
当前位置：夜雨聆风 > 技术教程 > 软件教程 > Python办公库4——PyPDF2 – PDF文件处理专家

Python办公库4——PyPDF2 – PDF文件处理专家

当前时间： 2026-03-06 10:32:21 分类：软件教程 评论(0)

Python办公库4——PyPDF2 – PDF文件处理专家

PyPDF2 – PDF文件处理专家

📖 简介

PyPDF2是Python中处理PDF文件的经典库，支持PDF文件的读取、合并、拆分、旋转、加密等操作。虽然功能相对基础，但对于日常的PDF处理任务来说已经足够强大且稳定。

🚀 安装

pip install PyPDF2
# 推荐同时安装用于文本提取的库
pip install PyPDF2 pdfplumber

📋 基础操作

1. 读取PDF文件

import PyPDF2
import os

defread_pdf_info(file_path):
"""读取PDF文件基本信息"""
withopen(file_path, 'rb') as file:
        pdf_reader = PyPDF2.PdfReader(file)

# 获取基本信息
        num_pages = len(pdf_reader.pages)
        metadata = pdf_reader.metadata

print(f"文件路径: {file_path}")
print(f"页数: {num_pages}")
print(f"标题: {metadata.get('/Title', '未知')}")
print(f"作者: {metadata.get('/Author', '未知')}")
print(f"创建者: {metadata.get('/Creator', '未知')}")
print(f"制作者: {metadata.get('/Producer', '未知')}")

return pdf_reader

# 使用示例
# pdf_reader = read_pdf_info('example.pdf')

2. 提取文本内容

defextract_text_from_pdf(file_path, page_num=None):
"""从PDF中提取文本"""
withopen(file_path, 'rb') as file:
        pdf_reader = PyPDF2.PdfReader(file)

if page_num isnotNone:
# 提取指定页面的文本
if0 <= page_num < len(pdf_reader.pages):
                page = pdf_reader.pages[page_num]
                text = page.extract_text()
return text
else:
print(f"页面 {page_num} 不存在")
returnNone
else:
# 提取所有页面的文本
            all_text = ""
for page_num inrange(len(pdf_reader.pages)):
                page = pdf_reader.pages[page_num]
                all_text += f"--- 第 {page_num + 1} 页 ---\n"
                all_text += page.extract_text() + "\n\n"
return all_text

# 使用示例
# text = extract_text_from_pdf('example.pdf', 0)  # 提取第一页
# all_text = extract_text_from_pdf('example.pdf')  # 提取所有页面

📄 PDF文件操作

1. 合并PDF文件

defmerge_pdfs(pdf_list, output_path):
"""合并多个PDF文件"""
    pdf_merger = PyPDF2.PdfMerger()

try:
for pdf_file in pdf_list:
if os.path.exists(pdf_file):
                pdf_merger.append(pdf_file)
print(f"已添加: {pdf_file}")
else:
print(f"文件不存在: {pdf_file}")

# 保存合并后的文件
withopen(output_path, 'wb') as output_file:
            pdf_merger.write(output_file)

print(f"合并完成，保存为: {output_path}")

except Exception as e:
print(f"合并过程中出错: {e}")
finally:
        pdf_merger.close()

# 使用示例
pdf_files = ['file1.pdf', 'file2.pdf', 'file3.pdf']
merge_pdfs(pdf_files, 'merged_document.pdf')

2. 拆分PDF文件

defsplit_pdf(input_path, output_dir):
"""将PDF文件拆分为单独的页面"""
ifnot os.path.exists(output_dir):
        os.makedirs(output_dir)

withopen(input_path, 'rb') as file:
        pdf_reader = PyPDF2.PdfReader(file)

for page_num inrange(len(pdf_reader.pages)):
            pdf_writer = PyPDF2.PdfWriter()
            pdf_writer.add_page(pdf_reader.pages[page_num])

            output_filename = f"{output_dir}/page_{page_num + 1}.pdf"
withopen(output_filename, 'wb') as output_file:
                pdf_writer.write(output_file)

print(f"已保存: {output_filename}")

# 使用示例
# split_pdf('document.pdf', 'split_pages')

3. 提取指定页面范围

defextract_pages(input_path, output_path, start_page, end_page):
"""提取指定页面范围"""
withopen(input_path, 'rb') as file:
        pdf_reader = PyPDF2.PdfReader(file)
        pdf_writer = PyPDF2.PdfWriter()

# 检查页面范围
        total_pages = len(pdf_reader.pages)
if start_page < 0or end_page >= total_pages or start_page > end_page:
print(f"页面范围错误。总页数: {total_pages}")
return

# 添加指定范围的页面
for page_num inrange(start_page, end_page + 1):
            pdf_writer.add_page(pdf_reader.pages[page_num])

# 保存提取的页面
withopen(output_path, 'wb') as output_file:
            pdf_writer.write(output_file)

print(f"已提取第 {start_page + 1} 到第 {end_page + 1} 页，保存为: {output_path}")

# 使用示例
# extract_pages('document.pdf', 'extracted_pages.pdf', 0, 4)  # 提取前5页

🔄 页面操作

1. 旋转页面

defrotate_pages(input_path, output_path, rotation_angle):
"""旋转PDF页面"""
withopen(input_path, 'rb') as file:
        pdf_reader = PyPDF2.PdfReader(file)
        pdf_writer = PyPDF2.PdfWriter()

for page in pdf_reader.pages:
# 旋转页面（90, 180, 270度）
            rotated_page = page.rotate(rotation_angle)
            pdf_writer.add_page(rotated_page)

withopen(output_path, 'wb') as output_file:
            pdf_writer.write(output_file)

print(f"已旋转 {rotation_angle} 度，保存为: {output_path}")

# 使用示例
# rotate_pages('document.pdf', 'rotated_document.pdf', 90)

2. 缩放页面

defscale_pages(input_path, output_path, scale_factor):
"""缩放PDF页面"""
withopen(input_path, 'rb') as file:
        pdf_reader = PyPDF2.PdfReader(file)
        pdf_writer = PyPDF2.PdfWriter()

for page in pdf_reader.pages:
# 缩放页面
            scaled_page = page.scale(scale_factor, scale_factor)
            pdf_writer.add_page(scaled_page)

withopen(output_path, 'wb') as output_file:
            pdf_writer.write(output_file)

print(f"已缩放 {scale_factor} 倍，保存为: {output_path}")

# 使用示例
# scale_pages('document.pdf', 'scaled_document.pdf', 0.8)  # 缩小到80%

🔐 PDF加密与解密

1. 加密PDF文件

defencrypt_pdf(input_path, output_path, password):
"""为PDF文件添加密码保护"""
withopen(input_path, 'rb') as file:
        pdf_reader = PyPDF2.PdfReader(file)
        pdf_writer = PyPDF2.PdfWriter()

# 复制所有页面
for page in pdf_reader.pages:
            pdf_writer.add_page(page)

# 添加密码保护
        pdf_writer.encrypt(password)

withopen(output_path, 'wb') as output_file:
            pdf_writer.write(output_file)

print(f"已加密保存为: {output_path}")

# 使用示例
# encrypt_pdf('document.pdf', 'encrypted_document.pdf', 'mypassword123')

2. 解密PDF文件

defdecrypt_pdf(input_path, output_path, password):
"""解密PDF文件"""
withopen(input_path, 'rb') as file:
        pdf_reader = PyPDF2.PdfReader(file)

# 检查是否加密
if pdf_reader.is_encrypted:
# 尝试解密
if pdf_reader.decrypt(password):
                pdf_writer = PyPDF2.PdfWriter()

# 复制所有页面
for page in pdf_reader.pages:
                    pdf_writer.add_page(page)

withopen(output_path, 'wb') as output_file:
                    pdf_writer.write(output_file)

print(f"解密成功，保存为: {output_path}")
else:
print("密码错误，解密失败")
else:
print("PDF文件未加密")

# 使用示例
# decrypt_pdf('encrypted_document.pdf', 'decrypted_document.pdf', 'mypassword123')

🎯 实战案例：批量处理PDF报告

import PyPDF2
import os
from datetime import datetime
import glob

classPDFProcessor:
"""PDF批量处理器"""

def__init__(self, input_dir, output_dir):
self.input_dir = input_dir
self.output_dir = output_dir

# 创建输出目录
ifnot os.path.exists(output_dir):
            os.makedirs(output_dir)

defget_pdf_files(self):
"""获取目录下所有PDF文件"""
        pattern = os.path.join(self.input_dir, "*.pdf")
return glob.glob(pattern)

defextract_all_text(self):
"""提取所有PDF文件的文本"""
        pdf_files = self.get_pdf_files()

for pdf_file in pdf_files:
try:
                filename = os.path.basename(pdf_file)
                text_file = os.path.join(self.output_dir, f"{filename[:-4]}_text.txt")

withopen(pdf_file, 'rb') as file:
                    pdf_reader = PyPDF2.PdfReader(file)
                    all_text = ""

for page_num, page inenumerate(pdf_reader.pages):
                        all_text += f"=== 第 {page_num + 1} 页 ===\n"
                        all_text += page.extract_text() + "\n\n"

# 保存文本
withopen(text_file, 'w', encoding='utf-8') as f:
                    f.write(all_text)

print(f"已提取文本: {text_file}")

except Exception as e:
print(f"处理 {pdf_file} 时出错: {e}")

defmerge_all_pdfs(self, output_filename="merged_all.pdf"):
"""合并所有PDF文件"""
        pdf_files = self.get_pdf_files()

ifnot pdf_files:
print("没有找到PDF文件")
return

        pdf_merger = PyPDF2.PdfMerger()

try:
for pdf_file in pdf_files:
                pdf_merger.append(pdf_file)
print(f"已添加: {os.path.basename(pdf_file)}")

            output_path = os.path.join(self.output_dir, output_filename)
withopen(output_path, 'wb') as output_file:
                pdf_merger.write(output_file)

print(f"合并完成: {output_path}")

except Exception as e:
print(f"合并过程中出错: {e}")
finally:
            pdf_merger.close()

defsplit_all_pdfs(self):
"""拆分所有PDF文件"""
        pdf_files = self.get_pdf_files()

for pdf_file in pdf_files:
try:
                filename = os.path.basename(pdf_file)[:-4]
                split_dir = os.path.join(self.output_dir, f"{filename}_split")

ifnot os.path.exists(split_dir):
                    os.makedirs(split_dir)

withopen(pdf_file, 'rb') as file:
                    pdf_reader = PyPDF2.PdfReader(file)

for page_num inrange(len(pdf_reader.pages)):
                        pdf_writer = PyPDF2.PdfWriter()
                        pdf_writer.add_page(pdf_reader.pages[page_num])

                        output_filename = os.path.join(split_dir, f"page_{page_num + 1}.pdf")
withopen(output_filename, 'wb') as output_file:
                            pdf_writer.write(output_file)

print(f"已拆分: {pdf_file} -> {split_dir}")

except Exception as e:
print(f"拆分 {pdf_file} 时出错: {e}")

defcreate_summary_report(self):
"""创建PDF文件汇总报告"""
        pdf_files = self.get_pdf_files()

        report_content = f"PDF文件处理报告\n"
        report_content += f"生成时间: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}\n"
        report_content += f"处理目录: {self.input_dir}\n"
        report_content += f"文件总数: {len(pdf_files)}\n\n"

        total_pages = 0

for i, pdf_file inenumerate(pdf_files, 1):
try:
withopen(pdf_file, 'rb') as file:
                    pdf_reader = PyPDF2.PdfReader(file)
                    num_pages = len(pdf_reader.pages)
                    total_pages += num_pages

                    metadata = pdf_reader.metadata
                    file_size = os.path.getsize(pdf_file) / 1024# KB

                    report_content += f"{i}. {os.path.basename(pdf_file)}\n"
                    report_content += f"   页数: {num_pages}\n"
                    report_content += f"   大小: {file_size:.2f} KB\n"
                    report_content += f"   标题: {metadata.get('/Title', '未知')}\n"
                    report_content += f"   作者: {metadata.get('/Author', '未知')}\n\n"

except Exception as e:
                report_content += f"{i}. {os.path.basename(pdf_file)} - 读取失败: {e}\n\n"

        report_content += f"总页数: {total_pages}\n"

# 保存报告
        report_file = os.path.join(self.output_dir, "pdf_summary_report.txt")
withopen(report_file, 'w', encoding='utf-8') as f:
            f.write(report_content)

print(f"汇总报告已生成: {report_file}")
return report_content

defmain():
"""主函数 - 演示PDF批量处理"""
# 创建处理器
    processor = PDFProcessor("input_pdfs", "output_results")

print("=== PDF批量处理工具 ===")
print("1. 提取所有文本")
print("2. 合并所有PDF")
print("3. 拆分所有PDF")
print("4. 生成汇总报告")
print("5. 执行所有操作")

    choice = input("请选择操作 (1-5): ")

if choice == "1":
        processor.extract_all_text()
elif choice == "2":
        processor.merge_all_pdfs()
elif choice == "3":
        processor.split_all_pdfs()
elif choice == "4":
        processor.create_summary_report()
elif choice == "5":
print("执行所有操作...")
        processor.extract_all_text()
        processor.merge_all_pdfs()
        processor.split_all_pdfs()
        processor.create_summary_report()
print("所有操作完成！")
else:
print("无效选择")

if __name__ == "__main__":
    main()

🔧 高级功能

1. 添加水印

defadd_watermark(input_path, watermark_path, output_path):
"""为PDF添加水印"""
withopen(input_path, 'rb') as input_file, open(watermark_path, 'rb') as watermark_file:
        input_pdf = PyPDF2.PdfReader(input_file)
        watermark_pdf = PyPDF2.PdfReader(watermark_file)
        watermark_page = watermark_pdf.pages[0]

        pdf_writer = PyPDF2.PdfWriter()

for page in input_pdf.pages:
            page.merge_page(watermark_page)
            pdf_writer.add_page(page)

withopen(output_path, 'wb') as output_file:
            pdf_writer.write(output_file)

print(f"已添加水印，保存为: {output_path}")

2. 书签操作

defadd_bookmarks(input_path, output_path, bookmarks):
"""添加书签到PDF"""
withopen(input_path, 'rb') as file:
        pdf_reader = PyPDF2.PdfReader(file)
        pdf_writer = PyPDF2.PdfWriter()

# 复制所有页面
for page in pdf_reader.pages:
            pdf_writer.add_page(page)

# 添加书签
for title, page_num in bookmarks:
            pdf_writer.add_outline_item(title, page_num)

withopen(output_path, 'wb') as output_file:
            pdf_writer.write(output_file)

print(f"已添加书签，保存为: {output_path}")

# 使用示例
bookmarks = [
    ("第一章", 0),
    ("第二章", 5),
    ("第三章", 10)
]
# add_bookmarks('document.pdf', 'bookmarked_document.pdf', bookmarks)

⚡ 性能优化建议

  1. 内存管理: 处理大文件时使用流式处理

  2. 批量操作: 一次性处理多个文件，减少IO操作

  3. 异常处理: 添加适当的错误处理机制

  4. 文件检查: 处理前检查文件是否存在和可读

defsafe_pdf_operation(func):
"""PDF操作装饰器，添加安全检查"""
defwrapper(*args, **kwargs):
try:
return func(*args, **kwargs)
except FileNotFoundError:
print("文件未找到")
except PyPDF2.errors.PdfReadError:
print("PDF文件损坏或格式不正确")
except Exception as e:
print(f"操作失败: {e}")
return wrapper

⚠️ 常见问题

  1. 文本提取不完整: PyPDF2的文本提取功能有限，复杂布局可能提取不准确

  2. 加密文件: 某些加密方式可能不支持

  3. 文件损坏: 损坏的PDF文件可能无法正常处理

  4. 中文支持: 某些中文PDF可能存在编码问题

🎉 总结

PyPDF2是处理PDF文件的实用工具，具有以下特点：

  • ✅ 功能稳定：基础PDF操作功能完善
  • ✅ 易于使用：API简单直观
  • ✅ 轻量级：依赖少，安装简单
  • ✅ 开源免费：完全免费使用

虽然在文本提取和复杂操作方面有一定局限性，但对于日常的PDF处理任务来说，PyPDF2仍然是一个可靠的选择！

下一章预告: 我们将学习schedule库，探索Python中的任务调度和定时执行功能。

AD：【资源若失效或者不可用，请留言评论或加老夜微信 al_tmen】>>点此前往<<
本站文章均为手工撰写未经允许谢绝转载：夜雨聆风 » Python办公库4——PyPDF2 – PDF文件处理专家
xiaoqiang, wang

wang

猜你喜欢

评论 抢沙发

取消

5 + 3 =
  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址
×
订阅图标按钮