PyPDF2 是一个用于处理 PDF 文件的纯 Python 库。我们可以使用 PyPDF2 模块来处理现有的 PDF 文件。我们无法使用此模块创建新的 PDF 文件。
PyPDF2 功能
PyPDF2 模块的一些令人兴奋的功能包括：
- PDF 文件元数据，例如页面数、作者、创建者、创建和上次更新时间。
- 逐页提取 PDF 文件的内容。
- 合并多个 PDF 文件。
- 将 PDF 文件页面旋转一定角度。
- PDF 页面的缩放。
- 使用 Pillow 库从 PDF 页面中提取图像并将其另存为图像。
安装 PyPDF2 模块
我们可以使用PIP来安装PyPDF2模块。
$ pip 安装 PyPDF2
PyPDF2 示例
让我们看一些使用 PyPDF2 模块处理 PDF 文件的示例。
1. 提取PDF元数据
我们可以获取PDF文件的页数。我们还可以获得有关 PDF 作者、创建者应用程序和创建日期的信息。
导入 PyPDF2
使用 open('Python_Tutorial.pdf', 'rb') 作为 pdf_file：
pdf_reader = PyPDF2.PdfFileReader(pdf_file)
print(f'PDF 文件的页数为 {pdf_reader.getNumPages()}')
print(f'PDF 元数据是 {pdf_reader.documentInfo}')
print(f'PDF 文件作者是 {pdf_reader.documentInfo["/Author"]}')
print(f'PDF 文件创建器是 {pdf_reader.documentInfo["/Creator"]}')
示例输出：
PDF 文件的页数为 2
PDF 元数据为 {'/Author': 'Microsoft Office User', '/Creator': 'Microsoft Word', '/CreationDate': "D:20191009091859+00'00'", '/ModDate': "D:20191009091859 +00'00'"}
PDF 文件作者是 Microsoft Office 用户
PDF 文件创建器是 Microsoft Word
推荐阅读：Python with Statement 和 Python f-strings
- PDF 文件应以二进制模式打开。这就是为什么文件打开模式被传递为“rb”。
- PdfFileReader类用于读取PDF文件。
- documentInfo 是包含 PDF 文件元数据的字典。
- 我们可以使用 getNumPages() 函数获取 PDF 文件的页数。另一种方法是使用
numPages属性。
2. 提取PDF页面文本
导入 PyPDF2
使用 open('Python_Tutorial.pdf', 'rb') 作为 pdf_file：
pdf_reader = PyPDF2.PdfFileReader(pdf_file)
# 打印第一页内容
pdf_page = pdf_reader.getPage(0)
打印（pdf_page.extractText（））
# 逐一读取所有页面内容
对于范围内的 page_num(pdf_reader.numPages)：
pdf_page = pdf_reader.getPage(page_num)
打印（pdf_page.extractText（））
- PdfFileReader getPage(int) 方法返回
PyPDF2.pdf.PageObject实例。 - 我们可以调用页面对象的extractText()方法来获取页面的文本内容。
- extractText() 不会返回任何二进制数据，例如图像。
3.旋转PDF文件页面
PyPDF2 允许多种类型的操作，可以逐页完成。我们可以顺时针或逆时针旋转页面一个角度。
导入 PyPDF2
使用 open('Python_Tutorial.pdf', 'rb') 作为 pdf_file：
pdf_reader = PyPDF2.PdfFileReader(pdf_file)
pdf_writer = PyPDF2.PdfFileWriter()
对于范围内的 page_num(pdf_reader.numPages)：
pdf_page = pdf_reader.getPage(page_num)
pdf_page.rotateClockwise(90) # 逆时针旋转()
pdf_writer.addPage(pdf_page)
使用 open('Python_Tutorial_rotated.pdf', 'wb') 作为 pdf_file_rotated：
pdf_writer.write（pdf_file_rotated）
- PdfFileWriter 用于从源 PDF 写入 PDF 文件。
- 我们使用rotateClockwise(90)方法将页面顺时针旋转90度。
- 我们将旋转的页面添加到 PdfFileWriter 实例。
- 最后，使用 PdfFileWriter 的 write() 方法生成旋转的 PDF 文件。
PdfFileWriter 可以从某些源 PDF 文件写入 PDF 文件。我们无法使用它从某些文本数据创建 PDF 文件。
4.合并PDF文件
导入 PyPDF2
pdf_merger = PyPDF2.PdfFileMerger()
pdf_files_list = ['Python_Tutorial.pdf', 'Python_Tutorial_rotated.pdf']
对于 pdf_files_list 中的 pdf_file_name：
以 open(pdf_file_name, 'rb') 作为 pdf_file:
pdf_merger.append(pdf_file)
使用 open('Python_Tutorial_merged.pdf', 'wb') 作为 pdf_file_merged：
pdf_merger.write（pdf_file_merged）
上面的代码看起来很适合合并 PDF 文件。但是，它生成了一个空的 PDF 文件。原因是源 PDF 文件在实际写入创建合并 PDF 文件之前已关闭。
这是最新版本 PyPDF2 中的一个错误。您可以在这个 GitHub 问题中阅读相关内容。
还有一种替代方法可以使用该contextlib模块保持源文件打开，直到写入操作完成。
导入上下文库
导入 PyPDF2
pdf_files_list = ['Python_Tutorial.pdf', 'Python_Tutorial_rotated.pdf']
使用 contextlib.ExitStack() 作为堆栈：
pdf_merger = PyPDF2.PdfFileMerger()
files = [stack.enter_context(open(pdf, 'rb')) for pdf_files_list 中的 pdf]
对于文件中的 f：
pdf_merger.append(f)
打开（'Python_Tutorial_merged_contextlib.pdf'，'wb'）作为f：
pdf_merger.write(f)
您可以在StackOverflow Question中阅读更多相关信息。
5.将PDF文件拆分为单页文件
导入 PyPDF2
使用 open('Python_Tutorial.pdf', 'rb') 作为 pdf_file：
pdf_reader = PyPDF2.PdfFileReader(pdf_file)
对于我在范围内（pdf_reader.numPages）：
pdf_writer = PyPDF2.PdfFileWriter()
pdf_writer.addPage(pdf_reader.getPage(i))
输出文件名 = f'Python_Tutorial_{i}.pdf'
以 open(output_file_name, 'wb') 作为输出文件：
pdf_writer.write（输出文件）
Python_Tutorial.pdf 有 2 页。输出文件命名为 Python_Tutorial_0.pdf 和 Python_Tutorial_1.pdf。
6. 从 PDF 文件中提取图像
我们可以使用 PyPDF2 和 Pillow（Python 图像库）从 PDF 页面中提取图像并将其保存为图像文件。
首先，您必须使用以下命令安装 Pillow 模块。
$ pip 安装 Pillow
这是一个从 PDF 文件第一页提取图像的简单程序。我们可以轻松地进一步扩展它以从 PDF 文件中提取所有图像。
导入 PyPDF2
从 PIL 导入图像
使用 open('Python_Tutorial.pdf', 'rb') 作为 pdf_file：
pdf_reader = PyPDF2.PdfFileReader(pdf_file)
# 从第一页提取图像
page0 = pdf_reader.getPage(0)
if '/XObject' in page0['/Resources']:
xObject = page0['/Resources']['/XObject'].getObject()
对于 xObject 中的 obj：
如果 xObject[obj]['/Subtype'] == '/Image':
大小 = (xObject[obj]['/宽度'], xObject[obj]['/高度'])
数据 = xObject[obj].getData()
如果 xObject[obj]['/ColorSpace'] == '/DeviceRGB':
模式=“RGB”
别的：
模式=“P”
如果 xObject[obj] 中的“/Filter”：
如果 xObject[obj]['/Filter'] == '/FlateDecode':
img = Image.frombytes(模式、大小、数据)
img.save(obj[1:] + ".png")
elif xObject[obj]['/Filter'] == '/DCTDecode':
img = open(obj[1:] + ".jpg", "wb")
img.write(数据)
img.close()
elif xObject[obj]['/Filter'] == '/JPXDecode':
img = open(obj[1:] + ".jp2", "wb")
img.write(数据)
img.close()
elif xObject[obj]['/Filter'] == '/CCITTFaxDecode':
img = open(obj[1:] + ".tiff", "wb")
img.write(数据)
img.close()
别的：
img = Image.frombytes(模式、大小、数据)
img.save(obj[1:] + ".png")
别的：
print("没有找到图像。")
我的示例 PDF 文件的第一页上有一个 PNG 图像，程序以“image20.png”文件名保存它。