Python知识点:使用Python进行PDF文档处理

2024-09-08 09:36

本文主要是介绍Python知识点:使用Python进行PDF文档处理,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

使用 Python 进行 PDF 文档处理可以通过多种库来实现,包括 PyPDF2pdfplumberreportlabpdfminer 等。这些库可以处理不同的 PDF 任务,例如 提取文本拆分合并 PDF修改 PDF生成 PDF 等。以下是几种常见操作及对应的库和代码示例。

1. 安装常用库

首先,安装常用的 PDF 处理库:

pip install PyPDF2 pdfplumber reportlab

2. 提取 PDF 文本

PyPDF2pdfplumber 都可以用于提取 PDF 文本。PyPDF2 更轻量,但有时处理复杂的 PDF 格式效果较差,而 pdfplumber 更加适合处理表格等复杂结构的 PDF。

使用 PyPDF2 提取文本
import PyPDF2# 打开 PDF 文件
with open('sample.pdf', 'rb') as file:reader = PyPDF2.PdfReader(file)# 提取每一页的文本for page_num in range(len(reader.pages)):page = reader.pages[page_num]text = page.extract_text()print(f"第 {page_num + 1} 页的文本:\n{text}")
使用 pdfplumber 提取文本

pdfplumber 更适合处理结构化数据,尤其是表格。

import pdfplumber# 打开 PDF 文件
with pdfplumber.open('sample.pdf') as pdf:for page_num in range(len(pdf.pages)):page = pdf.pages[page_num]text = page.extract_text()print(f"第 {page_num + 1} 页的文本:\n{text}")

3. 合并与拆分 PDF 文件

使用 PyPDF2 合并 PDF 文件

可以将多个 PDF 文件合并为一个文件。

import PyPDF2pdf_files = ['file1.pdf', 'file2.pdf', 'file3.pdf']
merger = PyPDF2.PdfMerger()for pdf in pdf_files:merger.append(pdf)# 保存合并后的 PDF 文件
with open('merged_output.pdf', 'wb') as output_file:merger.write(output_file)
使用 PyPDF2 拆分 PDF 文件

将 PDF 文件拆分为单独的页面。

import PyPDF2# 打开 PDF 文件
with open('sample.pdf', 'rb') as file:reader = PyPDF2.PdfReader(file)# 按页拆分并保存for page_num in range(len(reader.pages)):writer = PyPDF2.PdfWriter()writer.add_page(reader.pages[page_num])with open(f'split_page_{page_num + 1}.pdf', 'wb') as output_file:writer.write(output_file)

4. 创建和修改 PDF

使用 ReportLab 创建 PDF 文件

reportlab 是一个功能强大的库,可以用来生成新的 PDF 文件,支持插入文本、图片、图形等。

from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvas# 创建 PDF 文件
c = canvas.Canvas("output.pdf", pagesize=letter)
c.drawString(100, 750, "Hello, this is a PDF created with ReportLab!")# 创建矩形
c.rect(100, 700, 400, 100)# 保存 PDF
c.showPage()
c.save()
使用 ReportLab 插入图片

你可以使用 reportlab 插入图片到 PDF 中。

from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvasc = canvas.Canvas("output_with_image.pdf", pagesize=letter)
c.drawString(100, 750, "This is a PDF with an image:")# 插入图片
c.drawImage("image.png", 100, 600, width=200, height=150)c.showPage()
c.save()

5. 提取 PDF 表格

pdfplumber 提供了提取 PDF 中表格的功能,非常适合处理含有表格的文档。

import pdfplumber# 打开 PDF 文件
with pdfplumber.open('table_sample.pdf') as pdf:first_page = pdf.pages[0]# 提取表格数据tables = first_page.extract_table()# 打印提取到的表格数据for row in tables:print(row)

6. PDF 文档加密与解密

使用 PyPDF2 加密 PDF 文件

你可以加密 PDF 文件,防止未经授权的访问。

import PyPDF2# 打开 PDF 文件
with open('sample.pdf', 'rb') as file:reader = PyPDF2.PdfReader(file)writer = PyPDF2.PdfWriter()for page_num in range(len(reader.pages)):writer.add_page(reader.pages[page_num])# 设置密码writer.encrypt(user_password='user123', owner_password='owner123')with open('encrypted_output.pdf', 'wb') as output_file:writer.write(output_file)
使用 PyPDF2 解密 PDF 文件

如果 PDF 文件已加密,解密并提取文本的方法如下:

import PyPDF2# 打开加密的 PDF 文件
with open('encrypted_output.pdf', 'rb') as file:reader = PyPDF2.PdfReader(file)# 提供密码reader.decrypt('user123')# 提取文本for page_num in range(len(reader.pages)):page = reader.pages[page_num]print(page.extract_text())

7. PDF 页面旋转

你可以旋转 PDF 的某些页面,以下是旋转页面的示例:

import PyPDF2# 打开 PDF 文件
with open('sample.pdf', 'rb') as file:reader = PyPDF2.PdfReader(file)writer = PyPDF2.PdfWriter()# 旋转每页 90 度for page in reader.pages:page.rotate_clockwise(90)writer.add_page(page)# 保存旋转后的 PDF 文件with open('rotated_output.pdf', 'wb') as output_file:writer.write(output_file)

总结

Python 提供了多个强大的库来处理 PDF 文档。根据具体需求,选择适合的库来完成任务:

  • PyPDF2:适合基本的 PDF 操作,如合并、拆分、加密、旋转等。
  • pdfplumber:适合复杂的文本和表格提取。
  • reportlab:用于生成和修改 PDF 文件,支持文本、图像和图形的绘制。

通过这些工具,你可以轻松地处理 PDF 文档的各种操作,从文本提取到生成和修改文档。

这篇关于Python知识点:使用Python进行PDF文档处理的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1147749

相关文章

Linux下如何使用C++获取硬件信息

《Linux下如何使用C++获取硬件信息》这篇文章主要为大家详细介绍了如何使用C++实现获取CPU,主板,磁盘,BIOS信息等硬件信息,文中的示例代码讲解详细,感兴趣的小伙伴可以了解下... 目录方法获取CPU信息:读取"/proc/cpuinfo"文件获取磁盘信息:读取"/proc/diskstats"文

python中各种常见文件的读写操作与类型转换详细指南

《python中各种常见文件的读写操作与类型转换详细指南》这篇文章主要为大家详细介绍了python中各种常见文件(txt,xls,csv,sql,二进制文件)的读写操作与类型转换,感兴趣的小伙伴可以跟... 目录1.文件txt读写标准用法1.1写入文件1.2读取文件2. 二进制文件读取3. 大文件读取3.1

Java使用SLF4J记录不同级别日志的示例详解

《Java使用SLF4J记录不同级别日志的示例详解》SLF4J是一个简单的日志门面,它允许在运行时选择不同的日志实现,这篇文章主要为大家详细介绍了如何使用SLF4J记录不同级别日志,感兴趣的可以了解下... 目录一、SLF4J简介二、添加依赖三、配置Logback四、记录不同级别的日志五、总结一、SLF4J

使用Python实现一个优雅的异步定时器

《使用Python实现一个优雅的异步定时器》在Python中实现定时器功能是一个常见需求,尤其是在需要周期性执行任务的场景下,本文给大家介绍了基于asyncio和threading模块,可扩展的异步定... 目录需求背景代码1. 单例事件循环的实现2. 事件循环的运行与关闭3. 定时器核心逻辑4. 启动与停

基于Python实现读取嵌套压缩包下文件的方法

《基于Python实现读取嵌套压缩包下文件的方法》工作中遇到的问题,需要用Python实现嵌套压缩包下文件读取,本文给大家介绍了详细的解决方法,并有相关的代码示例供大家参考,需要的朋友可以参考下... 目录思路完整代码代码优化思路打开外层zip压缩包并遍历文件:使用with zipfile.ZipFil

如何使用Nginx配置将80端口重定向到443端口

《如何使用Nginx配置将80端口重定向到443端口》这篇文章主要为大家详细介绍了如何将Nginx配置为将HTTP(80端口)请求重定向到HTTPS(443端口),文中的示例代码讲解详细,有需要的小伙... 目录1. 创建或编辑Nginx配置文件2. 配置HTTP重定向到HTTPS3. 配置HTTPS服务器

Python处理函数调用超时的四种方法

《Python处理函数调用超时的四种方法》在实际开发过程中,我们可能会遇到一些场景,需要对函数的执行时间进行限制,例如,当一个函数执行时间过长时,可能会导致程序卡顿、资源占用过高,因此,在某些情况下,... 目录前言func-timeout1. 安装 func-timeout2. 基本用法自定义进程subp

Python实现word文档内容智能提取以及合成

《Python实现word文档内容智能提取以及合成》这篇文章主要为大家详细介绍了如何使用Python实现从10个左右的docx文档中抽取内容,再调整语言风格后生成新的文档,感兴趣的小伙伴可以了解一下... 目录核心思路技术路径实现步骤阶段一:准备工作阶段二:内容提取 (python 脚本)阶段三:语言风格调

Python结合PyWebView库打造跨平台桌面应用

《Python结合PyWebView库打造跨平台桌面应用》随着Web技术的发展,将HTML/CSS/JavaScript与Python结合构建桌面应用成为可能,本文将系统讲解如何使用PyWebView... 目录一、技术原理与优势分析1.1 架构原理1.2 核心优势二、开发环境搭建2.1 安装依赖2.2 验

Java使用ANTLR4对Lua脚本语法校验详解

《Java使用ANTLR4对Lua脚本语法校验详解》ANTLR是一个强大的解析器生成器,用于读取、处理、执行或翻译结构化文本或二进制文件,下面就跟随小编一起看看Java如何使用ANTLR4对Lua脚本... 目录什么是ANTLR?第一个例子ANTLR4 的工作流程Lua脚本语法校验准备一个Lua Gramm