Portable Document Format（可移植文檔格式），或者PDF是一種文件格式澎胡，可以用于跨操作系統(tǒng)的呈現(xiàn)和文檔交換攻谁。盡管PDF最初是由Adobe發(fā)明的，但它現(xiàn)在是由國際標(biāo)準(zhǔn)化組織（ISO）維護的開放標(biāo)準(zhǔn)槐瑞。你可以通過使用PyPDF2包在Python中處理已先存在的PDF阁苞。

PyPDF2是一個純Python包那槽，可用于許多不同類型的PDF操作。

本文將帶你了解如何執(zhí)行以下操作：

從Python中提取PDF中的文檔信息?

旋轉(zhuǎn)頁面?

合并PDF?

拆分PDF?

添加水印?

加密PDF

pyPdf糟趾，PyPDF2和PyPDF4的歷史

最初的pyPdf軟件包于2005年發(fā)布义郑。pyPdf的最后一個正式版本是在2010年丈钙。大約一年后雏赦，一家名為Phasit的公司贊助了一個名為PyPDF2的pyPdf分支。該代碼編寫為向后與原始代碼兼容填大，并且用了好多年俏橘，效果一直很好，其最后一個版本是在2016年汉额。

有一個名為PyPDF3的軟件包簡短系列版本榨汤，然后該項目被重命名為PyPDF4收壕。所有這些項目都完全相同轨蛤，但pyPdf和PyPDF2 +之間的最大區(qū)別在于后者版本增加了Python 3支持祥山。Python 3的原始pyPdf有一個不同的Python 3分支，但是這個分支已經(jīng)多年沒有維護了澳窑。

雖然最近放棄了PyPDF2供常，但新的PyPDF4與PyPDF2沒有完全的向后兼容性栈暇。本文中的大多數(shù)示例都可以與PyPDF4完美配合，但也有一些不能煎源，這就是為什么PyPDF4在本文中沒有更多的特色手销。隨意用PyPDF4替換PyPDF2的導(dǎo)入图张，看看它是如何工作的埂淮。

pdfrw：一個替代的PDF操作包

Patrick Maupin創(chuàng)建了一個名為pdfrw的軟件包，它可以完成許多與PyPDF2相同的工作讲仰。除了加密的特殊情況外鄙陡，本文后面提到PyPDF2的所有操作，pdfrw均可以實現(xiàn)耙册。

pdfrw的最大區(qū)別在于它與ReportLab軟件包集成详拙，因此你可以使用一些或所有預(yù)先存在的PDF構(gòu)建一個新的PDF蔓同。

PyPDF2的安裝

如果使用Anaconda而不是常規(guī)Python斑粱，可以使用pip或conda安裝PyPDF2。以下是使用pip安裝PyPDF2的方法：

$pip install pypdf2

由于PyPDF2沒有任何依賴矿微，因此安裝非成写В快。

如何從Python中提取PDF文檔信息

我們可以使用PyPDF2從PDF中提取元數(shù)據(jù)和一些文本蒿辙，尤其是當(dāng)在預(yù)先存在的PDF文件上執(zhí)行某些類型的自動化時是非常有用的思灌。

以下是當(dāng)前可以提取的數(shù)據(jù)類型：

Author

Creator

Producer

Subject

Title

Number of page

可以在自己的電腦上隨便找一個PDF文件進(jìn)行嘗試操作恭取。下面是使用該PDF編寫一些代碼蜈垮，并了解如何訪問這些屬性：

fromPyPDF2importPdfFileReader

defextract_information(pdf_path):

withopen(pdf_path,'rb')asf:

pdf=PdfFileReader(f)

information=pdf.getDocumentInfo()

number_of_pages=pdf.getNumPages()

txt=f"""

? ? Information about {pdf_path}:

? ? Author: {information.author}

? ? Creator: {information.creator}

? ? Producer: {information.producer}

? ? Subject: {information.subject}

? ? Title: {information.title}

? ? Number of pages: {number_of_pages}

? ? """

print(txt)

returninformation

if__name__=='__main__':

path='xxxx.pdf'

extract_information(path)

首先從PyPDF2包導(dǎo)入PdfFileReader攒发。PdfFileReader是一個具有多種與PDF文件交互的方法的類惠猿。在此示例中，我們調(diào)用了.getDocumentInfo()姜凄，它將返回DocumentInformation的實例,包含了我們感興趣的大部分信息态秧。我們還可以在reader對象上調(diào)用.getNumPages()，讓它返回文檔中的頁數(shù)愤诱。

information這個變量具有多個實例屬性润讥，可以使用這些屬性從文檔中獲取所需的其余元數(shù)據(jù)楚殿。我們可以打印出該信息并將其返回以備將來使用脆粥。

雖然PyPDF2具有.extractText()影涉，可以在其頁面對象上使用提取文本（本例中未顯示）蟹倾，但它的效果不是很好鲜棠。有些PDF會返回文本，有些會返回空字符串柑爸。如果要從PDF中提取文本盒音，建議應(yīng)該看一下PDFMiner項目祥诽。PDFMiner更加強大雄坪，專門用于從PDF中提取文本。

小編給大家推薦一個學(xué)習(xí)氛圍超好的地方颇玷，python交流企鵝裙：【611+530+101】適合在校大學(xué)生就缆，小白竭宰，想轉(zhuǎn)行，想通過這個找工作的加入狞甚。裙里有學(xué)習(xí)資料哼审，有大神解答交流問題孕豹，每晚都有免費的直播課程

如何旋轉(zhuǎn)頁面励背？

有時候PDF是橫向模式而不是縱向模式叶眉，甚至是顛倒的。當(dāng)有人掃描文檔為PDF或電子郵件時离福，很可能會發(fā)生這種情況妖爷。我們可以打印出文檔并閱讀紙質(zhì)版本絮识，也可以使用Python的強大功能來旋轉(zhuǎn)有問題的頁面嗽上。

下面看一下如何使用PyPDF2旋轉(zhuǎn)文章的一些頁面：

fromPyPDF2importPdfFileReader,PdfFileWriter

defrotate_pages(pdf_path):

pdf_writer=PdfFileWriter()

pdf_reader=PdfFileReader(path)

# 順時針旋轉(zhuǎn)90度

page_1=pdf_reader.getPage(0).rotateClockwise(90)

pdf_writer.addPage(page_1)

# 逆時針旋轉(zhuǎn)90度

page_2=pdf_reader.getPage(1).rotateCounterClockwise(90)

pdf_writer.addPage(page_2)

# 在正常方向上添加一頁

pdf_writer.addPage(pdf_reader.getPage(2))

withopen('rotate_pages.pdf','wb')asfh:

pdf_writer.write(fh)

if__name__=='__main__':

path='新路徑.pdf'

rotate_pages(path)

上面除了pdfileReader之外兽愤，還導(dǎo)入了pdfileWriter，因為我們需要編寫一個新的pdf哲思。rotate_pages()獲取要修改的PDF的路徑棚赔。在這個函數(shù)中徘郭，需要創(chuàng)建一個可以命名為pdf-writer的writer對象和一個名為pdf-reader的reader對象残揉。

接下來抱环，可以使用.get page()獲取所需的頁面。上面開始輸入了第0頁濒憋，也就是第一頁何暇，調(diào)用page對象的.rotateClockwise()順時針旋轉(zhuǎn)方法并輸入90陶夜。然后同樣地，對于第二頁裆站，調(diào)用.rotateCounterLockwise()逆時針旋轉(zhuǎn)并輸入90条辟。

每次調(diào)用Rotation旋轉(zhuǎn)方法后，都會調(diào)用.addPage()宏胯，這將向writer對象添加頁面的旋轉(zhuǎn)版本羽嫡。最后一頁是第3頁，沒有對其進(jìn)行任何旋轉(zhuǎn)肩袍。最后，使用.write()把所有新頁寫入新的PDF氛赐。

如何合并PDF魂爪？

在許多情況下，我們希望將兩個或多個PDF合并到一個PDF中艰管。例如滓侍，現(xiàn)在可能有一個標(biāo)準(zhǔn)的封面，需要轉(zhuǎn)到許多類型的報告中牲芋。這時候就可以使用python來幫助完成這類工作撩笆。

下面是實現(xiàn)的代碼捺球，完成PDF合并的操作：

fromPyPDF2importPdfFileReader,PdfFileWriter

defmerge_pdfs(paths,output):

pdf_writer=PdfFileWriter()

forpathinpaths:

pdf_reader=PdfFileReader(path)

forpageinrange(pdf_reader.getNumPages()):

# 將每頁添加到writer對象

pdf_writer.addPage(pdf_reader.getPage(page))

# 寫入合并的pdf

withopen(output,'wb')asout:

pdf_writer.write(out)

if__name__=='__main__':

paths=['document1.pdf','document2.pdf']

merge_pdfs(paths,output='merged.pdf')

假如有一個要合并到一起的pdf列表時，可以直接使用merge_pdf函數(shù)完成夕冲。此函數(shù)采用了輸入路徑和輸出路徑作為參數(shù)氮兵。

首先遍歷輸入的paths，并為每個輸入創(chuàng)建一個PDF閱讀對象耘擂。然后遍歷PDF文件中的所有頁面胆剧，并使用.addpage()將這些頁面寫入writer對象。當(dāng)完成對列表中所有PDF的所有頁面的寫入后醉冤，將在末尾寫入新的結(jié)果中秩霍。

如果不想合并每個PDF的所有頁面，可以通過添加一系列要添加的頁面來稍微增強這個腳本蚁阳。挑戰(zhàn)一點的話铃绒，也可以使用Python的argparse模塊為這個函數(shù)創(chuàng)建一個命令行接口阿趁。

如何拆分PDF?

有時可能需要將PDF拆分為多個PDF莹规，對于包含大量掃描內(nèi)容的PDF來說尤其重要。以下是如何使用PyPDF2將PDF拆分為多個文件：

fromPyPDF2importPdfFileReader,PdfFileWriter

defsplit(path,name_of_split):

pdf=PdfFileReader(path)

forpageinrange(pdf.getNumPages()):

pdf_writer=PdfFileWriter()

pdf_writer.addPage(pdf.getPage(page))

output=f'{name_of_split}{page}.pdf'

withopen(output,'wb')asoutput_pdf:

pdf_writer.write(output_pdf)

if__name__=='__main__':

path='xxx.pdf'

split(path,'jupyter_page')

這個函數(shù)中再次創(chuàng)建了PDF的reaer對象鸡号，并對其所讀取的頁面進(jìn)行遍歷定血。對于PDF中的每個頁面赔癌，創(chuàng)建一個新的PDF的writer實例并向其添加單個頁面。然后澜沟，將該頁面寫入一個唯一命名的文件灾票。腳本運行完畢后，就可以將原始PDF的每個頁面拆分為單獨的PDF茫虽。

如何添加水涌浴？

水印是紙質(zhì)或者電子文檔上的圖像或圖案濒析，一些水印只能在特殊照明條件下才能看到正什。水印的重要性在于它可以保護你的知識產(chǎn)權(quán)，例如圖像或PDF号杏。

我們可以使用Python和PyPDF2為文檔添加水印婴氮，而且是擁有僅包含水印圖像或文本的PDF。下面是向PDF添加水印方法：

fromPyPDF2importPdfFileWriter,PdfFileReader

defcreate_watermark(input_pdf,output,watermark):

watermark_obj=PdfFileReader(watermark)

watermark_page=watermark_obj.getPage(0)

pdf_reader=PdfFileReader(input_pdf)

pdf_writer=PdfFileWriter()

# 給所有頁面添加水印

forpageinrange(pdf_reader.getNumPages()):

page=pdf_reader.getPage(page)

page.mergePage(watermark_page)

pdf_writer.addPage(page)

withopen(output,'wb')asout:

pdf_writer.write(out)

if__name__=='__main__':

create_watermark(

input_pdf='Jupyter_Notebook_An_Introduction.pdf',

output='watermarked_notebook.pdf',

watermark='watermark.pdf')

上面create_watermark有三個參數(shù)：

input_pdf：要加水印的PDF文件路徑

output：要保存PDF的水印版本的路徑

watermark：包含水印圖像或文本的PDF

在代碼中盾致，打開水印PDF并從文檔中抓取第一頁主经，因為這是水印應(yīng)該駐留的位置。然后使用input_pdf和通用pdf_writer對象創(chuàng)建PDF的writer對象绰上，以寫出帶水印的PDF旨怠。

下一步是遍歷input_pdf中的頁面，然后調(diào)用.mergePage()并以用上面讀取的水印對象watermark_page為參數(shù)蜈块，這樣會將watermark_page覆蓋在當(dāng)前頁面的頂部鉴腻，然后再將新合并的頁面添加到pdf_writer對象中迷扇。遍歷完成后，最后將新加水印的PDF寫入磁盤爽哎。

如何加密PDF蜓席？

PyPDF2目前僅支持將用戶密碼和所有者密碼添加到預(yù)先存在的PDF。在PDF版本中课锌，所有者密碼會提供PDF的管理員權(quán)限厨内，并允許設(shè)置文檔的權(quán)限，而用戶密碼只允許打開文檔渺贤。

實際上雏胃，PyPDF2是不允許設(shè)置文檔的任何權(quán)限的，即使它允許設(shè)置所有者密碼的情況下志鞍。但無論如何瞭亮，這是可以加密的方式，也將固有地加密PDF：

fromPyPDF2importPdfFileWriter,PdfFileReader

defadd_encryption(input_pdf,output_pdf,password):

pdf_writer=PdfFileWriter()

pdf_reader=PdfFileReader(input_pdf)

forpageinrange(pdf_reader.getNumPages()):

pdf_writer.addPage(pdf_reader.getPage(page))

pdf_writer.encrypt(user_pwd=password,owner_pwd=None,

use_128bit=True)

withopen(output_pdf,'wb')asfh:

pdf_writer.write(fh)

if__name__=='__main__':

add_encryption(input_pdf='reportlab-sample.pdf',

output_pdf='reportlab-encrypted.pdf',

password='twofish')

add_encryption以輸入輸出PDF路徑和要添加到PDF的密碼為參數(shù)固棚。由于需要加密整個輸入PDF统翩，因此需要遍歷其所有頁面并將其添加到writer編寫器。最后一步是調(diào)用.encrypt()此洲，以用戶密碼厂汗，所有者密碼以及是否應(yīng)該添加128位加密為參數(shù)。默認(rèn)情況下呜师，要啟用128位加密娶桦。如果將其設(shè)置為False，則將應(yīng)用40位加密匣掸。

結(jié)論

PyPDF2包非常有用趟紊，可以使用PyPDF2自動執(zhí)行腳本完成PDF文檔的批量操作氮双。本文介紹了如何從PDF中提取元數(shù)據(jù)碰酝，旋轉(zhuǎn)頁面，合并和拆分PDF戴差，添加水印送爸，以及添加加密的操作。

同時暖释，還要關(guān)注較新的PyPDF4包袭厂，因為它很快就會取代PyPDF2。也可以看看pdfrw包球匕，它也可以執(zhí)行許多與PyPDF2相同的操作纹磺。