前言：PDF（Portable Document Format），中文名称便携文档格式是我们经常会接触到的一种文件格式，文献、文档...很多都是PDF格式。它以格式稳定的优势，使得我们在打印、分享、传输过程中能够最优的保持原有色彩和格式。
但是在可编辑性方面却为使用者引入了另外一个困扰。
曾经，为了替换PDF中的一页，我几乎试遍了所有市面上主流的PDF工具，最终还是不得不选择使用付费工具来解决问题。
事后想了想，既然这些商业化软件不靠谱，为什么不考虑自己动手开发一款工具呢？明明几十行代码能够解决的问题，为什么要费那么多劲去下载、安装那些没有节操的软件呢？
本文就来介绍一下利用Python轻松开发一款PDF编辑工具，可以用于PDF转TxT、分割、合并、剪切、转换。
有请主角登场 PyPDF2 和 pdfminer3k
PyPDF2
简介：由纯 Python 构建的PDF 工具包。它能够：提取文档信息（标题、作者等）
一页拆分文档
按页合并文档
裁剪页面
将多个页面合并到单个页面中
加密和解密 PDF 文件
安装
直接使用pip安装pip install PyPDF2
代码操作简单的读写PDF操作from PyPDF2 import PdfFileReader, PdfFileWriter
infn = 'infn.pdf'
outfn = 'outfn.pdf'
# 获取一个 PdfFileReader 对象
pdf_input = PdfFileReader(open(infn, 'rb'))
# 获取PDF 的基本信息
information =pdf_input.getDocumentInfo()
print(information)
# 获取 PDF 的页数
page_count = pdf_input.getNumPages()
print(page_count)
# 返回一个 PageObject
page = pdf_input.getPage(i)
# 获取一个 PdfFileWriter 对象
pdf_output = PdfFileWriter()
# 将一个 PageObject 加入到 PdfFileWriter 中
pdf_output.addPage(page)
# 输出到文件中
pdf_output.write(open(outfn, 'wb'))删除PDF页from PyPDF2 import PdfFileWriter, PdfFileReader
# 实例化一个输出的PDF实例
output = PdfFileWriter()
# 读取一个PDF文件
input1 = PdfFileReader(open("example.pdf", "rb"))
# 要删除的操作
def delete_pdf(index):
pages = input1.getNumPages()
# 循环删除
for i in range(pages):
if i+1 in index:
continue
output.addPage(input1.getPage(i))
outputStream = open("PyPDF2-output.pdf", "wb")
output.write(outputStream)
delete_pdf([2,3,4])合并PDFrom PyPDF2 import PdfFileWriter, PdfFileReader
output = PdfFileWriter()
input1 = PdfFileReader(open("example.pdf", "rb"))
input2 = PdfFileReader(open("simple2.pdf", "rb")) // 1
def merge_pdf(add_index, origin_index):
pages = input1.getNumPages()
k = 0
for i in range(pages):
if i+1 in add_index:
output.addPage(input2.getPage(origin_index[k])) // 2
pages += 1
k += 1
output.addPage(input1.getPage(i))
outputStream = open("PyPDF2-output.pdf", "wb")
output.write(outputStream)
merge_pdf([2,3,4], [0, 0, 0])旋转# 旋转90度
input1.getPage(1).rotateClockwise(90)添加水印page = input1.getPage(3)
watermark = PdfFileReader(open("watermark.pdf", "rb"))
page.mergePage(watermark.getPage(0))加密password = "secret"
output.encrypt(password)解密print(output.decrypt('secret'))# secret==正确口令显示1，其他显示0
page_obj= output.getPage(0)# 这样才能正确读取
print(page_obj.extractText())pdfminer3k简介
pdfminer3k 是一个 Python 3 端口的 pdfminer 。PDFMiner 是一个从 PDF 文档中提取信息的工具。与其他与 PDF 相关的工具不同，它完全侧重于获取和分析文本数据。PDFMiner 允许获取页面中文本的确切位置，以及其他信息，如字体或线条。它包括一个 PDF 转换器，可以将 PDF 文件转换为其他文本格式（如 HTML）。它有一个可扩展的PDF解析器，可用于其他目的，而不是文本分析能够准确获取文本的位置和布局信息；
可以将PDF转换为HTML/XML等格式；
可以提取目录；
可以提取标签内容；
支持各种字体类型（Type1、TrueType、Type3和CID）;
支持中、日、韩语言和垂直书写文本;
安装pip install pdfminer3k文件的操作from urllib.request import urlopen
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LAParams
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfparser import PDFParser, PDFDocument
logging.Logger.propagate = False
logging.getLogger().setLevel(logging.ERROR)
fp = open('template/pdftest.pdf', 'rb')
# 在线
# fp = urlopen('http://---/---.pdf')
# 创建一个与文档关联的解析器
parser = PDFParser(fp)
# PDF文档对象
doc = PDFDocument()
#创建pdf文档对象，存储文档结构
document = PDFDocument(parser, password)
# 链接解析器和文档对象
parser.set_document(doc)
doc.set_parser(parser)
# 初始化文档
doc.initialize("")
# 创建DPF资源管理器
resource = PDFResourceManager()
# 参数分析器
laparam = LAParams()
# 聚合器
device = PDFPageAggregator(resource, laparams=laparam)
# 创建页面解析器
interpreter = PDFPageInterpreter(resource, device)
# 使用文档对象从pdf中读取内容
for page in doc.get_pages():
# 使用页面解析器
interpreter.process_page(page)
# 使用聚合器获取内容
layout = device.get_result()
for text_obj in layout:
# 判断是否有get_text属性
if hasattr(text_obj, 'get_text'):
print(text_obj.get_text())# 处理包含在文档中的每一页
for page in PDFPage.create_pages(document):
interpreter.process_page(page)
layout = device.get_result()
for x in layout:
# 获取文本对象
if isinstance(x, LTTextBox):
print(x.get_text().strip())
# 获取图片对象
if isinstance(x,LTImage):
print('这里获取到一张图片')
# 获取 figure 对象
if isinstance(x,LTFigure):
print('这里获取到一个 figure 对象')详细的操作可参考 官网：https://github.com/canserhat77/pdfminer3k
总结
通过上述2款Python库，就可以实现从页面到文本元数据的编辑，本文只是简单的介绍了每项的基本用法。关于详细的用法和函数列表，可以阅读官方文档，或者阅读GitHub上项目源码进行了解。
