python自动化pdf文档操作

　　使用第三方库PyPDF2
　　读取、写入、分割、合并PDF文
　　安装：pdfplumber
　　读取PDF文件中内容和提取PDF中的表格
　　安装：！pip3installPyPDF2复制代码CollectingPyPDF2DownloadingPyPDF21。26。0。tar。gz（77kB）〔K77kB125kBs〔？25hBuildingwheelsforcollectedpackages：PyPDF2BuildingwheelforPyPDF2（setup。py）。。。〔？25ldone〔？25hCreatedwheelforPyPDF2：filenamePyPDF21。26。0py3noneany。whlsize61085sha256dba5825a58d21d37cf9e417039694f1b9e716760ee7b9f0fdcca8fc65b8ef3feStoredindirectory：UserslichizouLibraryCachespipwheelsd9dcec72da68331f30074b9950c1737c23cb8a67484e61498bc9713dSuccessfullybuiltPyPDF2Installingcollectedpackages：PyPDF2SuccessfullyinstalledPyPDF21。26。0复制代码！pip3installpdfplumber复制代码CollectingpdfplumberDownloadingpdfplumber0。5。28。tar。gz（45kB）〔K45kB152kBs〔？25hCollectingpdfminer。six20200517Downloadingpdfminer。six20200517py3noneany。whl（5。6MB）〔K5。6MB145kBs〔？25hCollectingPillow7。0。0DownloadingPillow8。2。0cp39cp39macosx1010x8664。whl（2。8MB）〔K2。8MB70kBs〔？25hCollectingWandDownloadingWand0。6。6py2。py3noneany。whl（138kB）〔K138kB16kBs〔？25hCollectingpycryptodomeDownloadingpycryptodome3。10。1cp35abi3macosx109x8664。whl（1。5MB）〔K1。5MB43kBs〔？25hCollectingsortedcontainersDownloadingsortedcontainers2。4。0py2。py3noneany。whl（29kB）CollectingchardetDownloadingchardet4。0。0py2。py3noneany。whl（178kB）〔K178kB96kBs〔？25hBuildingwheelsforcollectedpackages：pdfplumberBuildingwheelforpdfplumber（setup。py）。。。〔？25ldone〔？25hCreatedwheelforpdfplumber：filenamepdfplumber0。5。28py3noneany。whlsize32219sha25623afcf4aa92bdd0fb4e2a71b0974c1edd5ca9e59b37ef5e41b15fae3bffc5c30Storedindirectory：UserslichizouLibraryCachespipwheelse9cb1bc5dbba18cac53515263c5f26443e4617fa432c32cbaa7d8e48SuccessfullybuiltpdfplumberInstallingcollectedpackages：sortedcontainers，pycryptodome，chardet，Wand，Pillow，pdfminer。six，pdfplumberSuccessfullyinstalledPillow8。2。0Wand0。6。6chardet4。0。0pdfminer。six20200517pdfplumber0。5。28pycryptodome3。10。1sortedcontainers2。4。0复制代码foriinrange（0，10，2）：print（i）复制代码02468复制代码批量拆分defsplitpdf（filename，filepath，savedirpath，step5）：拆分pdf为多个小pdf文件，paramfilename：要拆分的文件名paramfilepath：要拆分的文件路径paramsavedirpath：保存小的的pdf的文件路径paramstep：每个step页生成一个文件，默认情况，04页问一个文件，59页为第二个文件return：ifnotos。path。exists（savedirpath）：os。makedirs（savedirpath）pdfreaderPdfFileReader（filepath）pagespdfreader。getNumPages（）forpageinrange（0，pages，step）：page取值：list〔0，5，10。。。pages）pdfwriterPdfFileWriter（）forindexinrange（page，pagestep）：index取值，区间：〔0，5），〔5，10）ifindexpages：防止全部页数不能整除pdfwriter。addPage（pdfreader。getPage（index））逐页添加savepathos。path。join（savedirpath，filenamestr（int（pagestep）1）。pdf）withopen（savepath，wb）asout：pdfwriter。write（out）复制代码fromPyPDF2importPdfFileReaderfromPyPDF2importPdfFileWriter复制代码path易方达中小板指数证券投资基金（LOF）2020年中期报告当前路径下splitpdf（path，path。pdf，testpdf）复制代码批量合并易方达中小板指数证券投资基金（LOF）2020年中期报告1。pdf〔：4〕。replace（易方达中小板指数证券投资基金（LOF）2020年中期报告，）复制代码1复制代码123456789〔：4〕复制代码12345复制代码os。listdir（。testpdf）复制代码〔易方达中小板指数证券投资基金（LOF）2020年中期报告3。pdf，易方达中小板指数证券投资基金（LOF）2020年中期报告2。pdf，易方达中小板指数证券投资基金（LOF）2020年中期报告1。pdf，易方达中小板指数证券投资基金（LOF）2020年中期报告5。pdf，易方达中小板指数证券投资基金（LOF）2020年中期报告4。pdf，易方达中小板指数证券投资基金（LOF）2020年中期报告6。pdf，易方达中小板指数证券投资基金（LOF）2020年中期报告7。pdf，易方达中小板指数证券投资基金（LOF）2020年中期报告9。pdf，易方达中小板指数证券投资基金（LOF）2020年中期报告8。pdf，易方达中小板指数证券投资基金（LOF）2020年中期报告10。pdf〕复制代码defconcatpdf（filename，readdirpath，savefilepath）：合并多个pdf文件paramfilename：文件名paramreaddirpath：要合并的pdf目录paramsavefilepath：合并后的pdf文件路径returnpdfwriterPdfFileWriter（）listfilenameos。listdir（readdirpath）listfilename。sort（keylambdax：int（x〔：4〕。replace（filename，）））去掉。pdf，替换文件名，获得文件编号forfninlistfilename：filepathos。path。join（readdirpath，fn）pdfreaderPdfFileReader（filepath）pagespdfreader。getNumPages（）forpageinrange（pages）：逐页添加pdfwriter。addPage（pdfreader。getPage（page））withopen（savefilepath，wb）asout：pdfwriter。write（out）复制代码concatpdf（易方达中小板指数证券投资基金（LOF）2020年中期报告，。testpdf，concat。pdf）复制代码提取文字内容importpdfplumber复制代码defextractpdftext（pdfpath，pageorder1）：提取pdf指定页文字parampdfpath：文件路径parampageorder：页数，〔0，〕；1表示读取全部returnwithpdfplumber。open（pdfpath）aspdf：ifpageorder1：forpageinpdf。pages：print（page。extracttext（））returnpagepdf。pages〔pageorder〕print（page。extracttext（））复制代码extractpdftext（concat。pdf，0）复制代码易方达中小板指数证券投资基金（LOF）2020年中期报告易方达中小板指数证券投资基金（LOF）2020年中期报告2020年6月30日基金管理人：易方达基金管理有限公司基金托管人：中国建设银行股份有限公司送出日期：二二年八月二十八日复制代码将pdf内容存入txtdefsavepdftextastxt（pdfpath，txtpath，pageorder1）：strwithpdfplumber。open（pdfpath）aspdf：ifpageorder1：forpageinpdf。pages：strpage。extracttext（）print（page。extracttext（））returnpagepdf。pages〔pageorder〕print（page。extracttext（））strpage。extracttext（）withopen（txtpath，w）asfile：file。write（str）复制代码savepdftextastxt（concat。pdf，concat1。txt，0）复制代码格式丢失defgetpdftext（pdfpath，pageorder1）：strwithpdfplumber。open（pdfpath）aspdf：ifpageorder1：forpageinpdf。pages：strpage。extracttext（）print（page。extracttext（））returnpagepdf。pages〔pageorder〕print（page。extracttext（））strpage。extracttext（）returnstr复制代码savepath带有文件后缀，因此可以获得文件类型：txt或worddefsavepdftext（str，savepath）：pass复制代码提取表格内容importpdfplumber复制代码defextractpdftable（pdfpath，pageorder0）：withpdfplumber。open（pdfpath）aspdf：pagepdf。pages〔pageorder〕tableinfopage。extracttables（）该页只有一个表格的情况下，设置表格第一行为表头，其余为数据forindexinrange（len（tableinfo））：dftablepd。DataFrame（tableinfo〔index〕〔1：〕，columnstableinfo〔index〕〔0〕）print（index）print（dftable）todo：是否可以合并成1个文件？filenamepdftablestr（pageorder1）str（index1）。csvprint（filename）dftable。tocsv（filename，indexFalse，encodinggbk）gbk能用excel打开，utf8用vscode打开！pip3installPandasRequirementalreadysatisfied：Pandasinusrlocallibpython3。9sitepackages（1。2。4）Requirementalreadysatisfied：pytz2017。3inusrlocallibpython3。9sitepackages（fromPandas）（2021。1）Requirementalreadysatisfied：pythondateutil2。7。3inUserslichizouLibraryPython3。9libpythonsitepackages（fromPandas）（2。8。1）Requirementalreadysatisfied：numpy1。16。5inusrlocallibpython3。9sitepackages（fromPandas）（1。20。3）Requirementalreadysatisfied：six1。5inUserslichizouLibraryPython3。9libpythonsitepackages（frompythondateutil2。7。3Pandas）（1。16。0）importpandasaspdextractpdftable（易方达中小板指数证券投资基金（LOF）2020年中期报告。pdf，6）pdftable7。csvextractpdftable（易方达中小板指数证券投资基金（LOF）2020年中期报告。pdf，7）第8页，单表格pdftable8。csvextractpdftable（易方达中小板指数证券投资基金（LOF）2020年中期报告。pdf，15）第16页，多表格，第一个表格残缺，最终只输出完整的第二个表格pdftable161。csvpdftable162。csvextractpdftable（易方达中小板指数证券投资基金（LOF）2020年中期报告。pdf，14）第15页，表格有部分在第16页，检测是否完全输出：没有，被截断了。bug了pdftable151。csvpdftable152。csv完整的2个表格，第20页extractpdftable（易方达中小板指数证券投资基金（LOF）2020年中期报告。pdf，19）pdftable201。csvpdftable202。csv提取图片内容使用模块fitz，最新版1。18。13和非最新版在部分函数名称上有差异需要先安装PyMuPDF：pip3installPyMuPDF
　　官方文档：pymupdf。readthedocs。ioenlatest
　　提取图片的整体逻辑如下：使用fitz打开文档，获取文档详细数据遍历每一个元素，通过正则找到图片的索引位置使用Pixmap将索引对应的元素生成图片通过size函数过滤较小的图片！pip3installPyMuPDFCollectingPyMuPDFDownloadingPyMuPDF1。18。14cp39cp39macosx109x8664。whl（5。6MB）〔K5。6MB5。1MBs〔？25hInstallingcollectedpackages：PyMuPDFSuccessfullyinstalledPyMuPDF1。18。14importfitzimportrepdffitz。open（易方达中小板指数证券投资基金（LOF）2020年中期报告。pdf）xreflenpdf。xreflength（）xreflen文档对象个数17912len（pdf）实际pdf页数49导出图片地址picdirpdfexportimgifnotos。path。exists（picdir）：os。makedirs（picdir）使用正则表达式来查找图片checkXObjectrType（？XObject）checkImagerSubtype（？Image）遍历pdf对象，找到图像imgcount0forindexinrange（1，xreflen）：textpdf。xrefobject（index）isxobjectre。search（checkXObject，text）isimagere。search（checkImage，text）ifisxobjectorisimage：imgcount1根据索引生成图像pixfitz。Pixmap（pdf，index）picfilepathos。path。join（picdir，imgstr（imgcount）。png）pix。size可以反映像素多少，简单的色素块该值较低，可以通过设置一个阈值过滤。以阈值10000为例过滤ifpix。size10000：continue将图片保存为png格式ifpix。n5：pixfitz。Pixmap（fitz。csRGB，pix）pix。writePNG（picfilepath）print（导出图片：str（imgcount））整个pdf只有1张图导出图片：1转存为图片
　　将每一页转换为一张张图片
　　安装pdf2image，github：github。comBelvalpdf2
　　安装：pip3installpdf2image对于mac用户，需要安装popplerforMac：brewinstallpoppler！pip3installpdf2imageCollectingpdf2imageDownloadingpdf2image1。15。1py3noneany。whl（10kB）Requirementalreadysatisfied：pillowinusrlocallibpython3。9sitepackages（frompdf2image）（8。2。0）Installingcollectedpackages：pdf2imageSuccessfullyinstalledpdf2image1。15。1复制代码3种方法，这里使用官方图推荐的更好的一种frompdf2imageimportconvertfrompathimporttempfileimportsend2trashimportshutil肉眼可见的慢defpdfsaveasimg（pdfpath，imgdir）：方便测试，send2trash。send2trash（imgdir）ifnotos。path。exists（imgdir）：os。makedirs（imgdir）withtempfile。TemporaryDirectory（）aspath：ppmconvertfrompath（pdfpath，outputfolderimgdir）将ppm文件保存为png图片forindex，pminenumerate（ppm，1）：imgnamepdfnamestr（index）。zfill（2）。pngpm。save（os。path。join（os。path。dirname（pm。filename），imgname））删除ppm文件forroot，dir，fileinos。walk（imgdir）：forfinfile：iff〔4：〕。ppm：print（f）send2trash。send2trash（os。path。join（root，f））pdfpath易方达中小板指数证券投资基金（LOF）2020年中期报告。pdfimgdirpdfimg发现生成了。ppm格式的文件，不是图片格式，且命名带有规律，但不是原来的名字ppmpdfsaveasimg（pdfpath，imgdir）help（ppm〔0〕）ppm〔0〕。save（pdfimg。png）type（ppm〔0〕）PIL。PpmImagePlugin。PpmImageFileppm〔0〕。filenamepdfimg76b22d8cb50f4bfeb5eff8b446d7d0ae01。ppm复制代码pdfpath。split（。）〔0〕复制代码易方达中小板指数证券投资基金（LOF）2020年中期报告pdfimg76b22d8cb50f4bfeb5eff8b446d7d0ae01。ppm〔：4〕pdfimg76b22d8cb50f4bfeb5eff8b446d7d0ae01添加水印
　　使用库：github。com2Douwaterm
　　步骤：
　　1。获得一个带水印pdf文件
　　1。1在图片添加水印，图片插入到word，word保存为pdf
　　1。2python处理：参考
　　github。com2Douwaterm
　　mp。weixin。qq。comsoJA6lbsd
　　2。将水印pdf文件合并到源目标pdf文件的每一页获取水印图片步骤1：省车给你一张透明的水印步骤2：将水印添加到一张空白图上生成水印背景步骤3：将水印背景粘贴到原图对应的位置上去两种水印类型固定位置水印：容易被去除全屏水印：不容易被去除，但可能会影响阅读土办法
　　法1，直接在word，插入文本框，旋转，设置无边框，注意设置背景透明，然后复制多个。导出为pdf。
　　法2，word本身自己的增加水印，设计水印自定义文字或图片。缺点是只能是单个水印。给pdf添加水印defaddpdfwatermask（maskpath，pdfpath，savepath）：watermaskPdfFileReader（maskpath）watermaskpagewatermask。getPage（0）pdfreaderPdfFileReader（pdfpath）pdfwriterPdfFileWriter（）pdfpagenumpdfreader。getNumPages（）对pdf的每一页（除了首页），逐页与水印pdf合并，并添加到新的pdfforpageindexinrange（pdfpagenum）：currentpagepdfreader。getPage（pageindex）ifpageindex0：第一页不加水印pdfwriter。addPage（currentpage）continuecurrentpage。mergePage（watermaskpage）currentpage。compressContentStreams（）压缩内容pdfwriter。addPage（currentpage）保存新的pdf文件withopen（savepath，wb）asout：pdfwriter。write（out）addpdfwatermask（chizou。pdf，concat。pdf，concatwatermarker。pdf）
　　缺点是水印在内容pdf上方，如果设置过大，颜色不太透明，会遮挡内容。
　　文档加密与解密
　　解密：并不是破解，而是在已知密码的情况下解密fromPyPDF2importPdfFileReaderfromPyPDF2importPdfFileWriter加密pdfreaderPdfFileReader（concat。pdf）pdfwriterPdfFileWriter（）pagenumpdfreader。getNumPages（）forpageindexinrange（pagenum）：pdfwriter。addPage（pdfreader。getPage（pageindex））pdfwriter。encrypt（masaikemasaike）先逐页添加页，最后加密withopen（concatencrypt。pdf，wb）asout：必须是wb，二进制打开pdfwriter。write（out）解密：对concatencrypt。pdf解密，另存pdfreaderPdfFileReader（concatencrypt。pdf）pdfreader。decrypt（masaikemasaike）一次性解密pdfwriterPdfFileWriter（）pagenumpdfreader。getNumPages（）forpageindexinrange（pagenum）：pdfwriter。addPage（pdfreader。getPage（pageindex））withopen（concatdecrypt。pdf，wb）asout：pdfwriter。write（out）
　　作者：秦与商
　　链接：https：juejin。cnpost7069582991982329893