Portable Document Format(可移植文檔格式)，或者PDF是一種文件格式，可以用于跨操作系統(tǒng)的呈現(xiàn)和文檔交換。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(hù)的開放標(biāo)準(zhǔn)。你可以通過使用PyPDF2包在Python中處理已先存在的PDF。

PyPDF2是一個純Python包，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，PyPDF2和PyPDF4的歷史

最初的pyPdf軟件包于2005年發(fā)布。pyPdf的***一個正式版本是在2010年。大約一年后，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，并且用了好多年，效果一直很好，其***一個版本是在2016年。

有一個名為PyPDF3的軟件包簡短系列版本，然后該項目被重命名為PyPDF4。所有這些項目都完全相同，但pyPdf和PyPDF2 +之間的***區(qū)別在于后者版本增加了Python 3支持。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(hù)了。

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

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。除了加密的特殊情況外，本文后面提到PyPDF2的所有操作，pdfrw均可以實現(xiàn)。

pdfrw的***區(qū)別在于它與ReportLab軟件包集成，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。

PyPDF2的安裝

如果使用Anaconda而不是常規(guī)Python，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，因此安裝非?？臁?/p>

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，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。

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。下面是使用該PDF編寫一些代碼，并了解如何訪問這些屬性：

from PyPDF2 import PdfFileReader 
 
def extract_information(pdf_path): 
    with open(pdf_path, 'rb') as f: 
        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) 
    return information 
 
if __name__ == '__main__': 
    path = 'xxxx.pdf' 
    extract_information(path) 

首先從PyPDF2包導(dǎo)入PdfFileReader。PdfFileReader是一個具有多種與PDF文件交互的方法的類。在此示例中，我們調(diào)用了.getDocumentInfo()，它將返回DocumentInformation的實例,包含了我們感興趣的大部分信息。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)。

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

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

如何旋轉(zhuǎn)頁面?

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

下面看一下如何使用PyPDF2旋轉(zhuǎn)文章的一些頁面：

from PyPDF2 import PdfFileReader, PdfFileWriter 
 
def rotate_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)) 
 
    with open('rotate_pages.pdf', 'wb') as fh: 
        pdf_writer.write(fh) 
 
if __name__ == '__main__': 
    path = '新路徑.pdf' 
    rotate_pages(path) 

上面除了pdfileReader之外，還導(dǎo)入了pdfileWriter，因為我們需要編寫一個新的pdf。rotate_pages()獲取要修改的PDF的路徑。在這個函數(shù)中，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。

接下來，可以使用.get page()獲取所需的頁面。上面開始輸入了第0頁，也就是***頁，調(diào)用page對象的.rotateClockwise()順時針旋轉(zhuǎn)方法并輸入90。然后同樣地，對于第二頁，調(diào)用.rotateCounterLockwise()逆時針旋轉(zhuǎn)并輸入90。

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

如何合并PDF?

在許多情況下，我們希望將兩個或多個PDF合并到一個PDF中。例如，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。這時候就可以使用python來幫助完成這類工作。

下面是實現(xiàn)的代碼，完成PDF合并的操作：

from PyPDF2 import PdfFileReader, PdfFileWriter 
 
 
def merge_pdfs(paths, output): 
    pdf_writer = PdfFileWriter() 
 
    for path in paths: 
        pdf_reader = PdfFileReader(path) 
        for page in range(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 
    with open(output, 'wb') as out: 
        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。此函數(shù)采用了輸入路徑和輸出路徑作為參數(shù)。

首先遍歷輸入的paths，并為每個輸入創(chuàng)建一個PDF閱讀對象。然后遍歷PDF文件中的所有頁面，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，將在末尾寫入新的結(jié)果中。

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。挑戰(zhàn)一點的話，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。

如何拆分PDF?

有時可能需要將PDF拆分為多個PDF，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：

from PyPDF2 import PdfFileReader, PdfFileWriter 
 
def split(path, name_of_split): 
    pdf = PdfFileReader(path) 
    for page in range(pdf.getNumPages()): 
        pdf_writer = PdfFileWriter() 
        pdf_writer.addPage(pdf.getPage(page)) 
 
        output = f'{name_of_split}{page}.pdf' 
        with open(output, 'wb') as output_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，并對其所讀取的頁面進(jìn)行遍歷。對于PDF中的每個頁面，創(chuàng)建一個新的PDF的writer實例并向其添加單個頁面。然后，將該頁面寫入一個唯一命名的文件。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。

如何添加水印?

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

我們可以使用Python和PyPDF2為文檔添加水印，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：

from PyPDF2 import PdfFileWriter, PdfFileReader 
 
def create_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 
    for page in range(pdf_reader.getNumPages()): 
        page = pdf_reader.getPage(page) 
        page.mergePage(watermark_page) 
        pdf_writer.addPage(page) 
 
    with open(output, 'wb') as out: 
        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，打開水印PDF并從文檔中抓取***頁，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，以寫出帶水印的PDF。

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)，這樣會將watermark_page覆蓋在當(dāng)前頁面的頂部，然后再將新合并的頁面添加到pdf_writer對象中。遍歷完成后，***將新加水印的PDF寫入磁盤。

如何加密PDF?

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，所有者密碼會提供PDF的管理員權(quán)限，并允許設(shè)置文檔的權(quán)限，而用戶密碼只允許打開文檔。

實際上，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。但無論如何，這是可以加密的方式，也將固有地加密PDF：

from PyPDF2 import PdfFileWriter, PdfFileReader 
 
def add_encryption(input_pdf, output_pdf, password): 
    pdf_writer = PdfFileWriter() 
    pdf_reader = PdfFileReader(input_pdf) 
 
    for page in range(pdf_reader.getNumPages()): 
        pdf_writer.addPage(pdf_reader.getPage(page)) 
 
    pdf_writer.encrypt(user_pwd=password, owner_pwd=None,  
                       use_128bit=True) 
 
    with open(output_pdf, 'wb') as fh: 
        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)。由于需要加密整個輸入PDF，因此需要遍歷其所有頁面并將其添加到writer編寫器。***一步是調(diào)用.encrypt()，以用戶密碼，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，要啟用128位加密。如果將其設(shè)置為False，則將應(yīng)用40位加密。

結(jié)論

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

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