在Python中使用PDF：閱讀和拆分

PDF 文檔格式

今天，可移植文檔格式（PDF）屬於最常用的數據格式。 1990年，Adobe定義了PDF文檔格式。 PDF格式背後的想法是傳輸的數據/文檔對於通信過程中涉及的雙方——創建者，作者或發送者和接收者來說看起來完全相同。 PDF是PostScript格式的後續版本，標準化為ISO 32000-2：2017。

處理PDF文檔

對於Linux，有很多可用的命令行工具，如pdftk和pdfgrep來操作pdf。 作為開發人員，您可以構建自己的基於Python的軟體，並使用免費提供的PDF庫。

本文是一個小系列的開頭，將介紹這些有用的Python庫。 在第一部分中，我們將重點介紹現有PDF的操作。 您將學習如何閱讀和提取內容（文本和圖像），旋轉單個頁面以及將文檔拆分為單獨的頁面。 第二部分將介紹如何根據疊加層添加水印。 第三部分將專註於編寫/創建PDF，還將包括刪除和重新組合單個頁面到新文檔。

工具和庫

Python相關的PDF工具，模塊和庫的可用解決方案範圍有點令人困惑，需要花一點時間來弄清楚什麼是什麼，以及哪些項目是持續維護的。 根據我們的研究，這些是目前最新的方案：

PyPDF2：這是一個Python庫，用於提取文檔信息和內容，逐頁拆分文檔，合併文檔，裁剪頁面和添加水印。 PyPDF2支持未加密和加密的文檔。

PDFMiner：完全用Python編寫，適用於Python 2.4。對於Python 3，請使用克隆包PDFMiner.six。這兩個包都允許您解析，分析和轉換PDF文檔。包括對PDF 1.7以及CJK語言（中文，日文和韓文）以及各種字體類型（Type1，TrueType，Type3和CID）的支持。

PDFQuery：它將自己描述為「一個快速且友好的PDF抓取庫」，它作為PDFMiner，lxml和pyquery的包裝器實現。它的設計目標是「用儘可能少的代碼可靠地從PDF集合中提取數據。」

tabula-py：它是tabula-java的簡單Python包裝器，可以從PDF中讀取表並將它們轉換為Pandas DataFrames。它還允許您將PDF文件轉換為CSV / TSV / JSON文件。

pdflibfor Python：Poppler庫的擴展，為它提供Python綁定。它允許您解析，分析和轉換PDF文檔。不要與其同名的商業吊墜相混淆。

PyFPDF：用於在Python下生成PDF文檔的庫。從FPDF PHP庫移植，一個眾所周知的PDFlib擴展替換，包含許多示例，腳本和衍生產品。

PDFTables：一種商業服務，提供從PDF文檔中提取的表格。提供API以便PDFTable可以用作SAAS。

PyX - Python圖形包：PyX是一個用於創建PostScript，PDF和SVG文件的Python包。它結合了PostScript繪圖模型的抽象和TeX / LaTeX介面。這些基元構建了複雜的任務，例如以發布就緒質量創建2D和3D圖。

ReportLab：一個雄心勃勃的工業級圖書館，主要致力於精確創建PDF文檔。可作為開源版本以及名為ReportLab PLUS的商業增強版本免費提供。

PyMuPDF（又名「fitz」）：MuPDF的Python綁定，它是一個輕量級的PDF和XPS查看器。該庫可以訪問PDF，XPS，OpenXPS，epub，漫畫和小說書籍格式的文件，並以其頂級性能和高渲染質量而聞名。

pdfrw：一種基於Python的純PDF解析器，用於讀寫PDF。它忠實地再現了矢量格式而沒有光柵化。與ReportLab結合使用，有助於在使用ReportLab創建的新PDF中重複使用現有PDF的部分內容。

下面我們將重點介紹PyPDF2和PyMuPDF，並解釋如何以最簡單的方式提取文本和圖像。 為了理解PyPDF2的用法，官方文檔和其他資源提供的大量示例的組合。 相比之下，官方的PyMuPDF文檔更清晰，使用庫的速度要快得多。

用PyPDF2提取文檔

PyPDF2可以作為常規軟體包安裝，也可以使用pip3（適用於Python3）安裝。 這裡的測試基於即將推出的Debian GNU / Linux版本10「Buster」的軟體包。 Debian軟體包的名稱是python3-pypdf2。

下面的代碼首先導入PdfFileReader 類，然後適用這個類打開文件，用getDocumentInfo()方法來提取文檔信息，包括頁數和首頁內容。

請注意PyPDF2頁碼計數從0開始，這也是為什麼pdf.getPage(0) 函數可以獲取文件的第一頁。最終，提取到的信息被列印到了stdout。

使用PyMuPDF提取文本

PyMuPDF可從PyPi網站獲得，您可以在終端中使用以下命令安裝包：

顯示文檔信息，列印頁數和提取PDF文檔的文本的方式與PyPDF2類似（參見清單2）。 要導入的模塊名為fitz，並返回到PyMuPDF的先前名稱。

PyMuPDF的優點在於它保持原始文檔結構的完整性 - 帶有換行符的整個段落保留在PDF文檔中。

使用PyMuPDF從PDF中提取圖像

PyMuPDF使用getPageImageList（）方法簡化了從PDF文檔中提取圖像的過程。下面的代碼來源於PyMuPDF wiki頁面的示例，並逐頁提取並保存PDF中的所有圖像作為PNG文件。 如果圖像具有CMYK顏色空間，則首先將其轉換為RGB。

在400頁PDF上運行這個Python腳本，它在不到3秒的時間內提取了117個圖像，這是驚人的。 各個圖像以PNG格式存儲。 為了保持原始圖像格式和大小，而不是轉換為PNG，請查看PyMuPDF wiki中腳本的擴展版本。

使用PyPDF2將PDF拆分為頁面

對於此示例，首先需要導入PdfFileReader和PdfFileWriter類。 然後我們打開PDF文件，創建一個reader對象，並使用reader對象的getNumPages方法遍歷所有頁面。

在for循環中，我們創建了一個新的PdfFileWriter實例，它不包含任何頁面。 然後，我們使用pdfWriter.addPage（）方法將當前頁面添加到writer對象。 此方法接受頁面對象，我們使用PdfFileReader.getPage（）方法獲取該頁面對象。

下一步是創建一個唯一的文件名，我們使用原始文件名加上「page」一詞加上頁碼。 我們在當前頁碼中加1，因為PyPDF2計算從零開始的頁碼。

最後，我們以「write binary」模式（模式wb）打開新文件名，並使用pdfWriter類的write（）方法將提取的頁面保存到磁碟。

查找包含文本的所有頁面

這個功能非常實用，與pdfgrep類似。 使用PyMuPDF，腳本將返回包含給定搜索字元串的所有頁碼。 頁面一個接一個地載入，並且在searchFor（）方法的幫助下，檢測到搜索字元串的所有出現。 如果匹配，則在stdout上列印相應的消息。

結論：

這裡講解的方法非常強大。 使用相對較少數量的代碼行，可以輕鬆獲得結果。 更多功能在第二部分（即將推出！）中進行了研究，其中包括為PDF添加水印.

英文原文：https://stackabuse.com/working-with-pdfs-in-python-reading-and-splitting/ 譯者：assasin

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！