最強的Python 辦公自動化之 PDF 攻略來了（全）

個小節展開：

相關介紹

批次拆分

批次合併

提取文字內容

提起表格內容

提起圖片內容

轉換為PDF圖片

新增水印

加密與解碼

上述操作比較常用，也可以解決較多的辦公內容，下面直接開始本節內容：

1。 相關介紹

Python 操作 PDF 會用到兩個庫，分別是：PyPDF2 和 pdfplumber

其中

PyPDF2

可以更好的讀取、寫入、分割、合併PDF檔案，而

pdfplumber

可以更好的讀取 PDF 檔案中內容和提取 PDF 中的表格

對應的官網分別是：

PyPDF2：https：//pythonhosted。org/PyPDF2/

pdfplumber：https：//github。com/jsvine/pdfplumber

由於這兩個庫都不是 Python 的標準庫，所以在使用之前都需要單獨安裝

win+r 後輸入 cmd 開啟 command 視窗，依次輸入如下命令進行安裝：

pip install PyPDF2

pip install pdfplumber

安裝完成後顯示 success 則表示安裝成功

2。 批次拆分

將一個完整的 PDF 拆分成幾個小的 PDF，因為主要涉及到 PDF 整體的操作，所以本小節需要用到 PyPDF2 這個庫

拆分的大概思路如下：

讀取 PDF 的整體資訊、總頁數等

遍歷每一頁內容，以每個 step 為間隔將 PDF 存成每一個小的檔案塊

將小的檔案塊重新儲存為新的 PDF 檔案

需要注意的是，在拆分的過程中，可以手動設定間隔，例如：每5頁儲存成一個小的 PDF 檔案

拆分的程式碼如下：

import

os

from

PyPDF2

import

PdfFileWriter， PdfFileReader

def

split_pdf

（filename， filepath， save_dirpath， step=

5

）

：

“”“

拆分PDF為多個小的PDF檔案，

@param filename：檔名

@param filepath：檔案路徑

@param save_dirpath：儲存小的PDF的檔案路徑

@param step： 每step間隔的頁面生成一個檔案，例如step=5，表示0-4頁、5-9頁。。。為一個檔案

@return：

”“”

if

not

os。path。exists（save_dirpath）：

os。mkdir（save_dirpath）

pdf_reader = PdfFileReader（filepath）

# 讀取每一頁的資料

pages = pdf_reader。getNumPages（）

for

page

in

range（

0

， pages， step）：

pdf_writer = PdfFileWriter（）

# 拆分pdf，每 step 頁的拆分為一個檔案

for

index

in

range（page， page+step）：

if

index < pages：

pdf_writer。addPage（pdf_reader。getPage（index））

# 儲存拆分後的小檔案

save_path = os。path。join（save_dirpath， filename+str（int（page/step）+

1

）+

‘。pdf’

）

print（save_path）

with

open（save_path，

“wb”

）

as

out：

pdf_writer。write（out）

print（

“檔案已成功拆分，儲存路徑為：”

+save_dirpath）

split_pdf（filename， filepath， save_dirpath， step=

5

）

以“易方達中小盤混合型證券投資基金2020年中期報告”為例，整個 PDF 檔案一共 46 頁，每5頁為間隔，最終生成了10個小的 PDF 檔案

3。 批次合併

比起拆分來，合併的思路更加簡單：

確定要合併的

檔案順序

迴圈追加到一個檔案塊中

儲存成一個新的檔案

對應的程式碼比較簡單：

import

os

from

PyPDF2

import

PdfFileReader， PdfFileWriter

def

concat_pdf

（filename， read_dirpath， save_filepath）

：

“”“

合併多個PDF檔案

@param filename：檔名

@param read_dirpath：要合併的PDF目錄

@param save_filepath：合併後的PDF檔案路徑

@return：

”“”

pdf_writer = PdfFileWriter（）

# 對檔名進行排序

list_filename = os。listdir（read_dirpath）

list_filename。sort（key=

lambda

x： int（x［：

-4

］。replace（filename，

“”

）））

for

filename

in

list_filename：

print（filename）

filepath = os。path。join（read_dirpath， filename）

# 讀取檔案並獲取檔案的頁數

pdf_reader = PdfFileReader（filepath）

pages = pdf_reader。getNumPages（）

# 逐頁新增

for

page

in

range（pages）：

pdf_writer。addPage（pdf_reader。getPage（page））

# 儲存合併後的檔案

with

open（save_filepath，

“wb”

）

as

out：

pdf_writer。write（out）

print（

“檔案已成功合併，儲存路徑為：”

+save_filepath）

concat_pdf（filename， read_dirpath， save_filepath）

4。 提取文字內容

涉及到具體的 PDF 內容 操作，本小節需要用到 pdfplumber 這個庫

在進行文字提取的時候，主要用到 extract_text 這個函式

具體程式碼如下：

import

os

import

pdfplumber

def

extract_text_info

（filepath）

：

“”“

提取PDF中的文字

@param filepath：檔案路徑

@return：

”“”

with

pdfplumber。open（filepath）

as

pdf：

# 獲取第2頁資料

page = pdf。pages［

1

］

print（page。extract_text（））

# 提取文字內容

extract_text_info（filepath）

可以看到，直接透過下標即可定位到相應的頁碼，從而透過 extract_text 函式提取該也的所有文字

而如果想要提取所有頁的文字，只需要改成：

with

pdfplumber。open（filepath）

as

pdf：

# 獲取全部資料

for

page

in

pdf。pages

print（page。extract_text（））

例如，提取“易方達中小盤混合型證券投資基金2020年中期報告” 第一頁的內容時，原始檔是這樣的：

執行程式碼後提取出來是這樣的：

5。 提取表格內容

同樣的，本節是對具體內容的操作，所以也需要用到 pdfplumber 這個庫

和提取文字十分類似的是，提取表格內容只是將 extract_text 函式換成了 extract_table 函式

對應的程式碼如下：

import

os

import

pandas

as

pd

import

pdfplumber

def

extract_table_info

（filepath）

：

“”“

提取PDF中的圖表資料

@param filepath：

@return：

”“”

with

pdfplumber。open（filepath）

as

pdf：

# 獲取第18頁資料

page = pdf。pages［

17

］

# 如果一頁有一個表格，設定表格的第一行為表頭，其餘為資料

table_info = page。extract_table（）

df_table = pd。DataFrame（table_info［

1

：］， columns=table_info［

0

］）

df_table。to_csv（

‘dmeo。csv’

， index=

False

， encoding=

‘gbk’

）

# 提取表格內容

extract_table_info（filepath）

上面程式碼可以獲取到第 18 頁的第一個表格內容，並且將其儲存為 csv 檔案存在本地

但是，如果說第 18 頁有多個表格內容呢？

因為讀取的表格會被存成二維陣列，而多個二維陣列就組成一個三維陣列

遍歷這個三位陣列，就可以得到該頁的每一個表格資料，對應的將 extract_table 函式 改成 extract_tables 即可

具體程式碼如下：

# 如果一頁有多個表格，對應的資料是一個三維陣列

tables_info = page。extract_tables（）

for

index

in

range（len（tables_info））：

# 設定表格的第一行為表頭，其餘為資料

df_table = pd。DataFrame（tables_info［index］［

1

：］， columns=tables_info［index］［

0

］）

print（df_table）

# df_table。to_csv（‘dmeo。csv’， index=False， encoding=‘gbk’）

以“易方達中小盤混合型證券投資基金2020年中期報告” 第 xx 頁的第一個表格為例：

原始檔中的表格是這樣的：

提取並存入 excel 之後的表格是這樣的：

6。 提取圖片內容

提取 PDF 中的圖片和將 PDF 轉存為圖片是不一樣的（下一小節），需要區分開。

提取圖片

：顧名思義，就是將內容中的圖片都提取出來；

轉存為圖片

：則是將每一頁的 PDF 內容存成一頁一頁的圖片，下一小節會詳細說明

轉存為圖片中，需要用到一個模組叫 fitz，fitz 的最新版 1。18。13，非最新版的在部分函式名稱上存在差異，程式碼中會標記出來

使用 fitz 需要先安裝 PyMuPDF 模組，安裝方式如下：

pip install PyMuPDF

提取圖片的整體邏輯如下：

使用 fitz 開啟文件，獲取文件詳細資料

遍歷每一個元素，透過正則找到圖片的索引位置

使用 Pixmap 將索引對應的元素生成圖片

透過 size 函式過濾較小的圖片

實現的具體程式碼如下：

import

os

import

re

import

fitz

def

extract_pic_info

（filepath， pic_dirpath）

：

“”“

提取PDF中的圖片

@param filepath：pdf檔案路徑

@param pic_dirpath：要儲存的圖片目錄路徑

@return：

”“”

if

not

os。path。exists（pic_dirpath）：

os。makedirs（pic_dirpath）

# 使用正則表示式來查詢圖片

check_XObject =

r“/Type（？= */XObject）”

check_Image =

r“/Subtype（？= */Image）”

img_count =

0

“”“1。 開啟pdf，列印相關資訊”“”

pdf_info = fitz。open（filepath）

# 1。16。8版本用法 xref_len = doc。_getXrefLength（）

# 最新版本

xref_len = pdf_info。xref_length（）

# 列印PDF的資訊

print（

“檔名：{}， 頁數： {}， 物件： {}”

。format（filepath， len（pdf_info）， xref_len

-1

））

“”“2。 遍歷PDF中的物件，遇到是影象才進行下一步，不然就continue”“”

for

index

in

range（

1

， xref_len）：

# 1。16。8版本用法 text = doc。_getXrefString（index）

# 最新版本

text = pdf_info。xref_object（index）

is_XObject = re。search（check_XObject， text）

is_Image = re。search（check_Image， text）

# 如果不是物件也不是圖片，則不操作

if

is_XObject

or

is_Image：

img_count +=

1

# 根據索引生成影象

pix = fitz。Pixmap（pdf_info， index）

pic_filepath = os。path。join（pic_dirpath，

‘img_’

+ str（img_count） +

‘。png’

）

“”“pix。size 可以反映畫素多少，簡單的色素塊該值較低，可以透過設定一個閾值過濾。以閾值 10000 為例過濾”“”

# if pix。size < 10000：

#     continue

“”“三、 將影象存為png格式”“”

if

pix。n >=

5

：

# 先轉換CMYK

pix = fitz。Pixmap（fitz。csRGB， pix）

# 存為PNG

pix。writePNG（pic_filepath）

# 提取圖片內容

extract_pic_info（filepath， pic_dirpath）

以本節示例的“易方達中小盤混合型證券投資基金2020年中期報告” 中的圖片為例，程式碼執行後提取的圖片如下：

這個結果和文件中的共 1 張圖片的

結果符合

7。 轉換為圖片

轉換為照片比較簡單，就是將一頁頁的 PDF 轉換為一張張的圖片。大致過程如下：

安裝 pdf2image

首先需要安裝對應的庫，最新的 pdf2image 庫版本應該是 1。14。0

它的 github地址 為：

https：//github。com/Belval/pdf2image

，感興趣的可以自行了解

安裝方式如下：

pip install pdf2image

安裝元件

對於不同的平臺，需要安裝相應的元件，這裡以 windows 平臺和 mac 平臺為例：

Windows 平臺

對於 windows 使用者需要安裝 poppler for Windows，安裝連結是：

http：//blog。alivate。com。au/poppler-windows/

另外，還需要新增環境變數， 將 bin 資料夾的路徑新增到環境變數 PATH 中

注意這裡配置之後需要重啟一下電腦才會生效，不然會報錯

Mac

對於 mac 使用者，需要安裝 poppler for Mac，具體可以參考這個連結：

http：//macappstore。org/poppler/

詳細程式碼如下：

import

os

from

pdf2image

import

convert_from_path， convert_from_bytes

def

convert_to_pic

（filepath， pic_dirpath）

：

“”“

每一頁的PDF轉換成圖片

@param filepath：pdf檔案路徑

@param pic_dirpath：圖片目錄路徑

@return：

”“”

print（filepath）

if

not

os。path。exists（pic_dirpath）：

os。makedirs（pic_dirpath）

images = convert_from_bytes（open（filepath，

‘rb’

）。read（））

# images = convert_from_path（filepath， dpi=200）

for

image

in

images：

# 儲存圖片

pic_filepath = os。path。join（pic_dirpath，

‘img_’

+str（images。index（image））+

‘。png’

）

image。save（pic_filepath，

‘PNG’

）

# PDF轉換為圖片

convert_to_pic（filepath， pic_dirpath）

以本節示例的“易方達中小盤混合型證券投資基金2020年中期報告” 中的圖片為例，該文件共 46 頁，儲存後的 PDF 照片如下：

一共 46 張圖片

8。 新增水印

新增水印後的效果如下：

在製作水印的時候，可以自定義水印內容、透明度、斜度、字間寬度等等，可操作性比較好。

前面

專門

寫過一篇文章

，講的特別詳細：

Python快速給PDF檔案新增自定義水印

9。 文件加密與解密

你可能在開啟部分 PDF 檔案的時候，會彈出下面這個介面：

這種就是 PDF 檔案被加密了，在開啟的時候需要相應的密碼才行

本節所提到的也只是基於 PDF 文件的加密解密，而不是所謂的 PDF 密碼破解。

在對 PDF 檔案加密需要使用 encrypt 函式，對應的加密程式碼也比較簡單：

import

os

from

PyPDF2

import

PdfFileReader， PdfFileWriter

def

encrypt_pdf

（filepath， save_filepath， passwd=

‘xiaoyi’

）

：

“”“

PDF文件加密

@param filepath：PDF檔案路徑

@param save_filepath：加密後的檔案儲存路徑

@param passwd：密碼

@return：

”“”

pdf_reader = PdfFileReader（filepath）

pdf_writer = PdfFileWriter（）

for

page_index

in

range（pdf_reader。getNumPages（））：

pdf_writer。addPage（pdf_reader。getPage（page_index））

# 新增密碼

pdf_writer。encrypt（passwd）

with

open（save_filepath，

“wb”

）

as

out：

pdf_writer。write（out）

# 文件加密

encrypt_pdf（filepath， save_filepath， passwd=

‘xiaoyi’

）

程式碼執行成功後再次開啟 PDF 檔案則需要輸入密碼才行

根據這個思路，破解 PDF 也可以透過暴力求解實現，例如：透過本地密碼本一個個去嘗試，或者根據數字+字母的密碼形式迴圈嘗試，最終成功開啟的密碼就是破解密碼

上述破解方法耗時耗力，不建議嘗試

另外，針對已經加密的 PDF 檔案，也可以使用 decrypt 函式進行解密操作

解密程式碼如下：

def

decrypt_pdf

（filepath， save_filepath， passwd=

‘xiaoyi’

）

：

“”“

解密 PDF 文件並且儲存為未加密的 PDF

@param filepath：PDF檔案路徑

@param save_filepath：解密後的檔案儲存路徑

@param passwd：密碼

@return：

”“”

pdf_reader = PdfFileReader（filepath）

# PDF文件解密

pdf_reader。decrypt（

‘xiaoyi’

）

pdf_writer = PdfFileWriter（）

for

page_index

in

range（pdf_reader。getNumPages（））：

pdf_writer。addPage（pdf_reader。getPage（page_index））

with

open（save_filepath，

“wb”

）

as

out：

pdf_writer。write（out）

# 文件解密

decrypt_pdf（filepath， save_filepath， passwd=

‘xiaoyi’

）

解密完成後的 PDF 文件開啟後不再需要輸入密碼，如需加密可再次執行加密程式碼。