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。
相關文章
- 2021-09-25雲記Jnotes華為MatePad 11鴻蒙最新版本體驗:學生黨的福音
- 2021-05-07PDF如何刪除頁面?批次刪除不連續頁的方法
- 2021-04-24一看就會的PDF新增水印和刪除水印方法
- 2021-04-20上乾貨!教你用Python GUI框架生成圖片提取器!WORD、PDF都能用上它
- 2021-04-19谷歌AI新成果:可實現實時檢視合成