一个完整的指南如何使用Python的PDF

Python是一种高级语言表达用一个简单的语法。这使得学习变得方便新程序员。一些Python库可以处理非结构化的数据,比如pdf文档。有用的信息,如音频、视频连接,按钮,业务逻辑,并在pdf表单字段可以找到。

用于显示和共享文件,PDF或便携式文件格式是一种文件格式。PDF是由Adobe开发但现在由国际标准化组织(ISO)。你必须使用PyPDF2包在处理Python的PDF。是纯Python包,可以用来执行各种PDF操作。

文本分析PDF存储时发挥作用。Python是用来模拟大量的代码和库用于文本分析。一旦收集了所需的信息,数据可用于自然语言处理和机器学习系统。

这里有图书馆,可以用于处理PDF文件:

PDFMiner这个图书馆是用来从PDF文件中提取有用的信息。与其他工具,整个这个包的焦点是获取和分析数据。

PyPDF2——这是一个PDF库由纯Python可以收获,分裂,转换和PDF文件合并在一起。也有选择添加自定义数据,密码和查看PDF文件选项。你可以合并一起整个PDF和检索元数据和文本从PDF。

Tabula-py——这是tabula-java的Python包装器可以用于读取表出现在PDF。你也可以将其转换为DataFrame熊猫。还有一个选择PDF文件转换成JSON / TSV CSV文件。

板岩——这是PDFMiner包装器实现。

PDFQuery——这是光包装pyquery, lxml, pdfminer。有了它,您就可以从pdf文件中提取数据可靠,无需编写代码长。

Xpdf——这是Python包装器,目前提供的实用程序将pdf转换为文本。

第一个pyPDF包在2005年被释放。最后更新包是2010年制造的。然后,公司名叫Phasit创建了一个名为PyPDF2的包pyPDF的叉子。这个包是向后兼容pyPDF和完美工作好几年了2016。然后有几个版本的pyPDF3 PyPDF4后来改名为。

几乎所有这些包在同一时间。然而,有一个主要的区别PyPDF2 +和原始pyPDF即前支持Python 3。尽管PyPDF2最近被遗弃,PyPDF4不是向后兼容的

替代PyPDF2是由帕特里克Maupin pdfrw名称。它的大部分东西PyPDF。唯一与pdfrw两者之间的主要区别在于,你可以把它与ReportLab包,可以创建一个新的PDF ReportLab包含部分或全部现有的PDF的一部分。

在Python中使用PDF的第一步是安装包。您可以使用conda(如果您使用的是蟒蛇)或脉冲(如果您使用的是常规的Python)安装PyPDF2。这是你需要做的安装使用pip PyPDF2:

pip安装pypdf2美元

安装过程不以时间为PyPDF2包没有任何依赖关系。现在,让我们继续从PDF文件中提取信息。

提取

PyPDF2,你将能够从PDF和元数据中提取文本。这方便当你正致力于自动化既存的PDF文件。您可以提取以下类型的数据使用PyPDF2包:

⇒创造者

⇒作者

⇒主题

⇒生产商

⇒标题

⇒的页面数量

练习这个,你需要一个PDF。任何PDF将做这项工作。在这个例子中,我们假设example.pdf pdf的名称。现在,这里会让你的代码访问PDF的属性:

# extract_doc_info.py从PyPDF2进口PdfFileReaderdef extract_information (pdf_path):张开(pdf_path rb) f:pdf = PdfFileReader (f)信息= pdf.getDocumentInfo ()number_of_pages = pdf.getNumPages ()txt = f”“”信息{pdf_path}:作者:{information.author}创造者:{information.creator}制作人:{information.producer}主题:{information.subject}标题:{information.title}页数:{number_of_pages}”“”打印(txt)返回信息if __name__ = =“__main__”:路径= ' example.pdf 'extract_information(路径)在这里,您使用了为进口PdfFileReader PyPDF2包。它是一个类包含不同方法与PDF文件。在上面的示例中,在实例的DocumentInformation返回后调用.getDocumentInfo ()。

所有你需要的信息在PDF可以提取。对于返回的页面数量,您需要调用.getNumPages ()。

上面的例子中使用的信息变量属性,可用于从文档中提取剩余的元数据。你甚至可以打印的信息并将其保存,以供将来使用。

有一个.extractText()函数中PyPDF包可用于提取文本页面上的对象。

然而,很多次这个方法是不成功的。在一些PDF,你会得到文本和在其他情况下,你会得到一个空字符串。最好的包从PDF在Python中提取文本PDFMiner项目更健壮,是专门设计来提取从PDF。

旋转

超过通常你必须处理pdf文档的页面以景观模式而不是竖屏模式。然后甚至可以颠倒。这种情况当有人通过扫描他们创建一个文档。使用Python,您将能够旋转这些页面。

这是一个例子,你将能够理解如何旋转几页的PDF PyPDF2包:

# rotate_pages.py从进口PdfFileReader PyPDF2 PdfFileWriterdef rotate_pages (pdf_path):pdf_writer = PdfFileWriter ()pdf_reader = PdfFileReader(路径)#旋转90度右页page_1 = pdf_reader.getPage (0) .rotateClockwise (90)pdf_writer.addPage (page_1)#左页90度旋转page_2 = pdf_reader.getPage (1) .rotateCounterClockwise (90)pdf_writer.addPage (page_2)#添加一个页面在正常的方向pdf_writer.addPage (pdf_reader.getPage (2))张开(“rotate_pages。跳频pdf”、“白平衡”):pdf_writer.write(跳频)if __name__ = =“__main__”:路径= ' example.pdf 'rotate_pages(路径)

在这种情况下,除了PdfFileReader外,你还必须导入PdfFileWriter将不得不编写一个新的PDF。您想修改的页面的路径通过rotate_pages ()。这还需要创建一个作家对象命名pdf_writer和读者对象命名pdf_reader内部函数。接下来,您必须获得所需的页面修改。

GetPage ()。在上面的例子中,我们从第一页开始,这是零页。然后,通过调用.rotateClockwise后在90度(),页面的对象。为第二页你通过90度后调用.rotateCounterClockwise ()。通过PyPDF2,您可以只在增加90度旋转一个页面。将提高AssertionError之外其他的事情。

每次你打电话后旋转方法,需要调用.addPage ()。这样做是为了增加页面的旋转版本作者对象。最后一步是使用.write()写出新PDF。这个函数的参数是一个类文件对象。

合并

PyPDF2包,你可以将两个或两个以上的PDF文档合并到一个PDF文档。例如,您有几种类型的报告,需要一个标准的封面页。处理这种类型的情况下,您可能需要的帮助Python和PyPDF2包。

在这里,我们已经提到了一个例子,你会一起合并pdf文档。

# pdf_merging.py从进口PdfFileReader PyPDF2 PdfFileWriterdef merge_pdfs(路径、输出):pdf_writer = PdfFileWriter ()路径的路径:pdf_reader = PdfFileReader(路径)页面的范围(pdf_reader.getNumPages ()):#每个页面添加到作者对象pdf_writer.addPage (pdf_reader.getPage(页面)#写出合并PDF张开(输出,“世界银行”):pdf_writer.write(出)if __name__ = =“__main__”:= [' document1路径。pdf”、“document2.pdf ']merge_pdfs(路径,输出=“merged.pdf”)

merge_pdfs()使用的是当你想一起合并pdf文档的列表。你必须意识到你想要的位置保存结果。此函数接受它的输入路径的列表和输出保存合并输出。

正如你所看到的,创建一个循环的输入和创建一个PDF阅读器对象对于每一个输入。下一步是遍历页的PDF文件,并添加所有页面本身使用.addPage ()。毕竟页面一直迭代所有的PDF文档,最终的结果是写在一个PDF。

PyPDF2的另一个特点是,如果你不想合并所有页的PDF和想要添加的页面,您可以增强脚本。您还可以使用argparse模块或Python函数的创建命令行界面。

分裂

相反的合并,分裂出一个几页的PDF文档。这是非常有益的,当你使用PDF文档,有很多在这里扫描的内容可能会重复,你可能不需要它或任何其他理由,你可能需要把PDF文件。

这里有一个例子使用PyPDF2分裂一个PDF为多个文件:

# pdf_splitting.py从进口PdfFileReader PyPDF2 PdfFileWriterdef分裂(路径,name_of_split):pdf = PdfFileReader(路径)页面的范围(pdf.getNumPages ()):pdf_writer = PdfFileWriter ()pdf_writer.addPage (pdf.getPage(页面)输出= f“{name_of_split}{页面}. pdf”张开output_pdf(输出,“世界银行”):pdf_writer.write (output_pdf)if __name__ = =“__main__”:路径= ' Jupyter_Notebook_An_Introduction.pdf 'split(路径,“jupyter_page”)

正如你所看到的在上面的示例中,创建一个PDF阅读器对象,然后循环的所有页面。创建一个新的PDF作家实例和一个页面添加每一页的PDF。这时,一个惟一的名称用于编写页面的文件。脚本运行完成后,你将每一页的PDF分成多个PDF文件。

添加水印

水印是一种识别模式和数字图像和打印文档。可以看到一些水印在特殊的照明条件。水印是一个覆盖,是非常重要的,因为他们允许保护知识产权的喜欢你的pdf文件或图像。

对水印的帮助文档你可以把Python和PyPDF2包。练习这个,你需要有一个水印文本或图像使用PDF。看看这个例子:

# pdf_watermarker.py从进口PdfFileWriter PyPDF2 PdfFileReaderdef create_watermark (input_pdf、输出水印):watermark_obj = PdfFileReader(水印)watermark_page = watermark_obj.getPage (0)pdf_reader = PdfFileReader (input_pdf)pdf_writer = PdfFileWriter ()#水印的所有页面页面的范围(pdf_reader.getNumPages ()):页面= pdf_reader.getPage(页面)page.mergePage (watermark_page)pdf_writer.addPage(页面)张开(输出,“世界银行”):pdf_writer.write(出)if __name__ = =“__main__”:create_watermark (input_pdf = ' Jupyter_Notebook_An_Introduction.pdf ',输出= ' watermarked_notebook.pdf ',水印=“watermark.pdf”)

有三个参数,可以接受create_watermark ():

Input_pdf:这是你的PDF文件把水印。

Output_pdf:这是路径,你会保存PDF的水印。

水印:这就是你救了你的水印的PDF文本或图像。

在代码中可以看到,你必须打开PDF水印,水印的文档的第一页。下一步是创建一个PDF阅读器对象使用一个input_pdf和pdr-writer对象写水印的PDF。

在这之后,你必须遍历所有input_pdf页面。你调用后通过watermark_page .mergePage ()。这将把watermark_page放在当前页面。最后一步是使用pdf_writer对象添加新页面合并PDF瞧!你会有你的PDF水印。

加密

目前,您可以添加一个用户和一个所有者密码使用PyPDF2包。与业主的密码,你会有管理权限的PDF。你也可以设置权限的文档。用户密码允许你刚读文档。

PyPDF2,您可以设置所有者密码即使你可以设置文档的任何许可。因此,对于加密PDF,您可以添加密码。看看这个例子:

# pdf_encrypt.py从进口PdfFileWriter PyPDF2 PdfFileReaderdef add_encryption (input_pdf、output_pdf、密码):pdf_writer = PdfFileWriter ()pdf_reader = PdfFileReader (input_pdf)页面的范围(pdf_reader.getNumPages ()):pdf_writer.addPage (pdf_reader.getPage(页面)pdf_writer。加密(user_pwd =密码,owner_pwd =没有use_128bit = True)张开(output_pdf wb)跳频:pdf_writer.write(跳频)if __name__ = =“__main__”:add_encryption (input_pdf =“reportlab-sample.pdf”,output_pdf = ' reportlab-encrypted.pdf ',密码= twofish的)

add_encryption()使用PDF路径输入以及输出以及密码,你必须添加到PDF。接下来,打开PDF的作家和读者对象。现在,你将需要一个迭代的所有页的PDF创建一个循环,并将它们添加到作家PDF加密完成输入。

最后一步是调用the.encrypt(),你必须把所有者密码,用户密码,是否128位加密的PDF文件。默认设置是128 -加密。你需要设置40位加密设置为False。

据pdflib.com,使用的加密PDF AES(高级加密标准)或RC4。但是你必须记住,即使加密您的PDF,这并不意味着它是安全的。有几个工具可以删除密码。

读表数据

阅读表数据,你必须使用Tabula-py。第一步是安装它首先通过下面的命令:

pip安装tabula-py

这是你需要做的是提取数据:

进口牌

#阅读PDF文件,其中包含表数据#你可以找到完整的代码的pdf文件# read_pdf将保存pdf表格到熊猫Dataframedf = tabula.read_pdf (“offense.pdf”)#为了打印表的前5行df.head ()

如果有多个文件出现在PDF文件中,你必须使用以下命令:

df = tabula.read_pdf (“offense.pdf multiple_tables = True)

中提取特定的信息从一个特定页面的PDF文件,您需要使用这个:

tabula.read_pdf(“进攻。pdf”,面积=(126149212462),页= 1)

将输出到一个JSON格式,你需要试试这个:

tabula.read_pdf(“进攻。pdf”, output_format = " json ")

使用下面的命令将PDF转换成CSV或Excel文件:

tabula.convert_into(“进攻。pdf”、“offense_testing。xlsx”, output_format=”xlsx”)

了解更多关于使用PDF包,你可以尝试以下资源:

• 的Github页面PyPDF4
• ReportLab网站
• 的PyPDF2网站
• 卡米洛特:PDF表提取人类
• 的Github页面pdfrw
• 的Github页面PDFMiner
• 使用PyPDF2在Python中使用PDF文件
• 使用PDF、Word文档
• StackOverflow问题的答案如何ex束表从PDF使用Python作为文本吗?

所以总的来说,你需要明白PyPDF2包快,很有用的。它可以用于大型自动化工作和使用它的功能做更好的工作。

最终的想法

通过Python编程课程你可以成为一个Python编程语言的主人和一个非常熟练的Python程序员。任何有抱负的程序员可以从Python的基础知识,经过巧妙避开Python。