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

Python 中的异步与同步深度解析(实践记录)

《Python中的异步与同步深度解析(实践记录)》在Python编程世界里,异步和同步的概念是理解程序执行流程和性能优化的关键,这篇文章将带你深入了解它们的差异,以及阻塞和非阻塞的特性,同时通过实际... 目录python中的异步与同步:深度解析与实践异步与同步的定义异步同步阻塞与非阻塞的概念阻塞非阻塞同步

Python Dash框架在数据可视化仪表板中的应用与实践记录

《PythonDash框架在数据可视化仪表板中的应用与实践记录》Python的PlotlyDash库提供了一种简便且强大的方式来构建和展示互动式数据仪表板,本篇文章将深入探讨如何使用Dash设计一... 目录python Dash框架在数据可视化仪表板中的应用与实践1. 什么是Plotly Dash?1.1

使用Java实现通用树形结构构建工具类

《使用Java实现通用树形结构构建工具类》这篇文章主要为大家详细介绍了如何使用Java实现通用树形结构构建工具类,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录完整代码一、设计思想与核心功能二、核心实现原理1. 数据结构准备阶段2. 循环依赖检测算法3. 树形结构构建4. 搜索子

在C#中调用Python代码的两种实现方式

《在C#中调用Python代码的两种实现方式》:本文主要介绍在C#中调用Python代码的两种实现方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录C#调用python代码的方式1. 使用 Python.NET2. 使用外部进程调用 Python 脚本总结C#调

Python下载Pandas包的步骤

《Python下载Pandas包的步骤》:本文主要介绍Python下载Pandas包的步骤,在python中安装pandas库,我采取的方法是用PIP的方法在Python目标位置进行安装,本文给大... 目录安装步骤1、首先找到我们安装python的目录2、使用命令行到Python安装目录下3、我们回到Py

基于Flask框架添加多个AI模型的API并进行交互

《基于Flask框架添加多个AI模型的API并进行交互》:本文主要介绍如何基于Flask框架开发AI模型API管理系统,允许用户添加、删除不同AI模型的API密钥,感兴趣的可以了解下... 目录1. 概述2. 后端代码说明2.1 依赖库导入2.2 应用初始化2.3 API 存储字典2.4 路由函数2.5 应

GORM中Model和Table的区别及使用

《GORM中Model和Table的区别及使用》Model和Table是两种与数据库表交互的核心方法,但它们的用途和行为存在著差异,本文主要介绍了GORM中Model和Table的区别及使用,具有一... 目录1. Model 的作用与特点1.1 核心用途1.2 行为特点1.3 示例China编程代码2. Tab

Python GUI框架中的PyQt详解

《PythonGUI框架中的PyQt详解》PyQt是Python语言中最强大且广泛应用的GUI框架之一,基于Qt库的Python绑定实现,本文将深入解析PyQt的核心模块,并通过代码示例展示其应用场... 目录一、PyQt核心模块概览二、核心模块详解与示例1. QtCore - 核心基础模块2. QtWid

SpringBoot使用OkHttp完成高效网络请求详解

《SpringBoot使用OkHttp完成高效网络请求详解》OkHttp是一个高效的HTTP客户端,支持同步和异步请求,且具备自动处理cookie、缓存和连接池等高级功能,下面我们来看看SpringB... 目录一、OkHttp 简介二、在 Spring Boot 中集成 OkHttp三、封装 OkHttp

Python实现自动化接收与处理手机验证码

《Python实现自动化接收与处理手机验证码》在移动互联网时代,短信验证码已成为身份验证、账号注册等环节的重要安全手段,本文将介绍如何利用Python实现验证码的自动接收,识别与转发,需要的可以参考下... 目录引言一、准备工作1.1 硬件与软件需求1.2 环境配置二、核心功能实现2.1 短信监听与获取2.