python自动化pdf文档操作

　　使用第三方库PyPDF2
　　读取、写入、分割、合并PDF文
　　安装：pdfplumber
　　读取 PDF 文件中内容和提取 PDF 中的表格
　　安装：!pip3 install PyPDF2 复制代码Collecting PyPDF2   Downloading PyPDF2-1.26.0.tar.gz (77 kB)  [K     | | 77 kB 125 kB/s   [?25hBuilding wheels for collected packages: PyPDF2   Building wheel for PyPDF2 (setup.py) ...  [?25ldone  [?25h  Created wheel for PyPDF2: filename=PyPDF2-1.26.0-py3-none-any.whl size=61085 sha256=dba5825a58d21d37cf9e417039694f1b9e716760ee7b9f0fdcca8fc65b8ef3fe   Stored in directory: /Users/lichizou/Library/Caches/pip/wheels/d9/dc/ec/72da68331f30074b9950c1737c23cb8a67484e61498bc9713d Successfully built PyPDF2 Installing collected packages: PyPDF2 Successfully installed PyPDF2-1.26.0 复制代码!pip3 install pdfplumber 复制代码Collecting pdfplumber   Downloading pdfplumber-0.5.28.tar.gz (45 kB)  [K     | | 45 kB 152 kB/s   [?25hCollecting pdfminer.six==20200517   Downloading pdfminer.six-20200517-py3-none-any.whl (5.6 MB)  [K     | | 5.6 MB 145 kB/s   [?25hCollecting Pillow>=7.0.0   Downloading Pillow-8.2.0-cp39-cp39-macosx_10_10_x86_64.whl (2.8 MB)  [K     | | 2.8 MB 70 kB/s   [?25hCollecting Wand   Downloading Wand-0.6.6-py2.py3-none-any.whl (138 kB)  [K     | | 138 kB 16 kB/s   [?25hCollecting pycryptodome   Downloading pycryptodome-3.10.1-cp35-abi3-macosx_10_9_x86_64.whl (1.5 MB)  [K     | | 1.5 MB 43 kB/s   [?25hCollecting sortedcontainers   Downloading sortedcontainers-2.4.0-py2.py3-none-any.whl (29 kB) Collecting chardet   Downloading chardet-4.0.0-py2.py3-none-any.whl (178 kB)  [K     | | 178 kB 96 kB/s   [?25hBuilding wheels for collected packages: pdfplumber   Building wheel for pdfplumber (setup.py) ...  [?25ldone  [?25h  Created wheel for pdfplumber: filename=pdfplumber-0.5.28-py3-none-any.whl size=32219 sha256=23afcf4aa92bdd0fb4e2a71b0974c1edd5ca9e59b37ef5e41b15fae3bffc5c30   Stored in directory: /Users/lichizou/Library/Caches/pip/wheels/e9/cb/1b/c5dbba18cac53515263c5f26443e4617fa432c32cbaa7d8e48 Successfully built pdfplumber Installing collected packages: sortedcontainers, pycryptodome, chardet, Wand, Pillow, pdfminer.six, pdfplumber Successfully installed Pillow-8.2.0 Wand-0.6.6 chardet-4.0.0 pdfminer.six-20200517 pdfplumber-0.5.28 pycryptodome-3.10.1 sortedcontainers-2.4.0 复制代码for i in range(0, 10, 2):     print(i) 复制代码0 2 4 6 8 复制代码批量拆分def split_pdf(filename, filepath, save_dirpath, step=5):     ＂＂＂     拆分pdf为多个小pdf文件，     @param filename: 要拆分的文件名     @param filepath: 要拆分的文件路径     @param save_dirpath: 保存小的的pdf的文件路径     @param step: 每个step页生成一个文件，默认情况，0-4页问一个文件，5-9页为第二个文件     @return:     ＂＂＂     if not os.path.exists(save_dirpath):         os.makedirs(save_dirpath)     pdf_reader = PdfFileReader(filepath)      pages = pdf_reader.getNumPages()     for page in range(0, pages, step): # page取值:list [0, 5, 10...pages)         pdf_writer = PdfFileWriter()         for index in range(page, page + step): # index取值, 区间: [0, 5),[5, 10)             if index < pages: # 防止全部页数不能整除                 pdf_writer.addPage(pdf_reader.getPage(index)) # 逐页添加         save_path = os.path.join(save_dirpath, filename + str(int(page / step) + 1) + ＂.pdf＂)         with open(save_path, ＂wb＂) as out:             pdf_writer.write(out)      复制代码from PyPDF2 import PdfFileReader  from PyPDF2 import PdfFileWriter  复制代码path = ＂易方达中小板指数证券投资基金（LOF）2020年中期报告＂ # 当前路径下 split_pdf(path, path + ＂.pdf＂, ＂test_pdf＂) 复制代码批量合并＂易方达中小板指数证券投资基金（LOF）2020年中期报告1.pdf＂[:-4].replace(＂易方达中小板指数证券投资基金（LOF）2020年中期报告＂, ＂＂) 复制代码＂1＂ 复制代码＂123456789＂[:-4] 复制代码＂12345＂ 复制代码os.listdir(＂./test_pdf/＂) 复制代码[＂易方达中小板指数证券投资基金（LOF）2020年中期报告3.pdf＂,  ＂易方达中小板指数证券投资基金（LOF）2020年中期报告2.pdf＂,  ＂易方达中小板指数证券投资基金（LOF）2020年中期报告1.pdf＂,  ＂易方达中小板指数证券投资基金（LOF）2020年中期报告5.pdf＂,  ＂易方达中小板指数证券投资基金（LOF）2020年中期报告4.pdf＂,  ＂易方达中小板指数证券投资基金（LOF）2020年中期报告6.pdf＂,  ＂易方达中小板指数证券投资基金（LOF）2020年中期报告7.pdf＂,  ＂易方达中小板指数证券投资基金（LOF）2020年中期报告9.pdf＂,  ＂易方达中小板指数证券投资基金（LOF）2020年中期报告8.pdf＂,  ＂易方达中小板指数证券投资基金（LOF）2020年中期报告10.pdf＂] 复制代码def concat_pdf(filename, read_dirpath, save_filepath):     ＂＂＂     合并多个pdf文件     @param filename: 文件名     @param read_dirpath: 要合并的pdf目录     @param save_filepath: 合并后的pdf文件路径     @return     ＂＂＂     pdf_writer = PdfFileWriter()     list_filename = os.listdir(read_dirpath)     list_filename.sort(key=lambda x: int(x[:-4].replace(filename, ＂＂))) # 去掉.pdf,替换文件名,获得文件编号     for fn in list_filename:         filepath = os.path.join(read_dirpath, fn)         pdf_reader = PdfFileReader(filepath)         pages = pdf_reader.getNumPages()         for page in range(pages): # 逐页添加             pdf_writer.addPage(pdf_reader.getPage(page))     with open(save_filepath, ＂wb＂) as out:         pdf_writer.write(out) 复制代码concat_pdf(＂易方达中小板指数证券投资基金（LOF）2020年中期报告＂, ＂./test_pdf/＂, ＂concat.pdf＂) 复制代码提取文字内容import pdfplumber 复制代码def extract_pdf_text(pdf_path, page_order=-1):     ＂＂＂     提取pdf指定页文字     @param pdf_path: 文件路径     @param page_order: 页数,[0,];-1表示读取全部     @return     ＂＂＂     with pdfplumber.open(pdf_path) as pdf:         if page_order == -1:             for page in pdf.pages:                 print(page.extract_text())             return         page = pdf.pages[page_order]         print(page.extract_text()) 复制代码extract_pdf_text(＂concat.pdf＂, 0) 复制代码易方达中小板指数证券投资基金（LOF）2020年中期报告          易方达中小板指数证券投资基金（LOF）  2020 年中期报告  2020 年 6 月 30 日                                基金管理人：易方达基金管理有限公司  基金托管人：中国建设银行股份有限公司  送出日期：二〇二〇年八月二十八日  复制代码# 将pdf内容存入txt def save_pdf_text_as_txt(pdf_path, txt_path, page_order=-1):     str = ＂＂     with pdfplumber.open(pdf_path) as pdf:         if page_order == -1:             for page in pdf.pages:                 str += page.extract_text()                 #print(page.extract_text())             return         page = pdf.pages[page_order]         #print(page.extract_text())         str += page.extract_text()          with open(txt_path, ＂w＂) as file:         file.write(str) 复制代码save_pdf_text_as_txt(＂concat.pdf＂,＂concat_1.txt＂, 0) 复制代码# 格式丢失 def get_pdf_text(pdf_path, page_order=-1):     str = ＂＂     with pdfplumber.open(pdf_path) as pdf:         if page_order == -1:             for page in pdf.pages:                 str += page.extract_text()                 #print(page.extract_text())             return         page = pdf.pages[page_order]         #print(page.extract_text())         str += page.extract_text()          return str 复制代码# savepath带有文件后缀,因此可以获得文件类型:txt或word def save_pdf_text(str, save_path):     pass 复制代码提取表格内容import pdfplumber 复制代码def extract_pdf_table(pdf_path, page_order = 0):     with pdfplumber.open(pdf_path) as pdf:         page = pdf.pages[page_order]         table_info = page.extract_tables()         # 该页只有一个表格的情况下,设置表格第一行为表头,其余为数据         for index in range(len(table_info)):             df_table = pd.DataFrame(table_info[index][1: ], columns=table_info[index][0])             #print(index)             #print(df_table)         # todo: 是否可以合并成1个文件?             file_name = ＂pdf_table_＂ + str(page_order + 1) + ＂_＂ + str(index + 1) +＂.csv＂             print(file_name)             df_table.to_csv(file_name, index=False, encoding=＂gbk＂) # gbk能用excel打开,utf-8用vscode打开 !pip3 install Pandas Requirement already satisfied: Pandas in /usr/local/lib/python3.9/site-packages (1.2.4) Requirement already satisfied: pytz>=2017.3 in /usr/local/lib/python3.9/site-packages (from Pandas) (2021.1) Requirement already satisfied: python-dateutil>=2.7.3 in /Users/lichizou/Library/Python/3.9/lib/python/site-packages (from Pandas) (2.8.1) Requirement already satisfied: numpy>=1.16.5 in /usr/local/lib/python3.9/site-packages (from Pandas) (1.20.3) Requirement already satisfied: six>=1.5 in /Users/lichizou/Library/Python/3.9/lib/python/site-packages (from python-dateutil>=2.7.3->Pandas) (1.16.0) import pandas as pd extract_pdf_table(＂易方达中小板指数证券投资基金（LOF）2020年中期报告.pdf＂, 6) pdf_table7.csv extract_pdf_table(＂易方达中小板指数证券投资基金（LOF）2020年中期报告.pdf＂, 7) # 第8页,单表格 pdf_table8.csv extract_pdf_table(＂易方达中小板指数证券投资基金（LOF）2020年中期报告.pdf＂, 15) # 第16页,多表格,第一个表格残缺,最终只输出完整的第二个表格 pdf_table_16_1.csv pdf_table_16_2.csv extract_pdf_table(＂易方达中小板指数证券投资基金（LOF）2020年中期报告.pdf＂, 14) # 第15页,表格有部分在第16页,检测是否完全输出:没有,被截断了.bug了 pdf_table_15_1.csv pdf_table_15_2.csv # 完整的2个表格,第20页 extract_pdf_table(＂易方达中小板指数证券投资基金（LOF）2020年中期报告.pdf＂, 19) pdf_table_20_1.csv pdf_table_20_2.csv 提取图片内容使用模块fitz,最新版1.18.13和非最新版在部分函数名称上有差异需要先安装PyMuPDF: pip3 install PyMuPDF
　　官方文档：pymupdf.readthedocs.io/en/latest/
　　提取图片的整体逻辑如下：使用 fitz 打开文档，获取文档详细数据遍历每一个元素，通过正则找到图片的索引位置使用 Pixmap 将索引对应的元素生成图片通过 size 函数过滤较小的图片!pip3 install PyMuPDF Collecting PyMuPDF   Downloading PyMuPDF-1.18.14-cp39-cp39-macosx_10_9_x86_64.whl (5.6 MB)  [K     | | 5.6 MB 5.1 MB/s   [?25hInstalling collected packages: PyMuPDF Successfully installed PyMuPDF-1.18.14 import fitz import re pdf = fitz.open(＂易方达中小板指数证券投资基金（LOF）2020年中期报告.pdf＂) xref_len = pdf.xref_length() xref_len # 文档对象个数 17912 len(pdf) # 实际pdf页数 49 # 导出图片地址 pic_dir = ＂pdf_export_img＂ if not os.path.exists(pic_dir):     os.makedirs(pic_dir) # 使用正则表达式来查找图片 check_XObject = r＂/Type(?= */XObject)＂ check_Image = r＂/Subtype(?= */Image)＂ # 遍历pdf对象，找到图像 img_count = 0 for index in range(1, xref_len):     text = pdf.xref_object(index)     is_xobject = re.search(check_XObject, text)     is_image = re.search(check_Image, text)     if is_xobject or is_image:         img_count += 1         # 根据索引生成图像         pix = fitz.Pixmap(pdf, index)         pic_filepath = os.path.join(pic_dir, ＂img_＂ + str(img_count) + ＂.png＂)         ＂＂＂pix.size 可以反映像素多少，简单的色素块该值较低，可以通过设置一个阈值过滤。以阈值 10000 为例过滤＂＂＂         # if pix.size < 10000:         #     continue          # 将图片保存为png格式         if pix.n >= 5:             pix = fitz.Pixmap(fitz.csRGB, pix)                  pix.writePNG(pic_filepath)  print(＂导出图片：＂ + str(img_count)) # 整个pdf只有1张图 导出图片：1 转存为图片
　　将每一页转换为一张张图片
　　安装pdf2image, github:github.com/Belval/pdf2…
　　安装:pip3 install pdf2image对于 mac 用户，需要安装 poppler for Mac: brew install poppler!pip3 install pdf2image Collecting pdf2image   Downloading pdf2image-1.15.1-py3-none-any.whl (10 kB) Requirement already satisfied: pillow in /usr/local/lib/python3.9/site-packages (from pdf2image) (8.2.0) Installing collected packages: pdf2image Successfully installed pdf2image-1.15.1 复制代码# 3种方法，这里使用官方图推荐的更好的一种 from pdf2image import convert_from_path import tempfile import send2trash import shutil # 肉眼可见的慢 def pdf_saveas_img(pdf_path, img_dir):     # 方便测试，     send2trash.send2trash(img_dir)     if not os.path.exists(img_dir):         os.makedirs(img_dir)      with tempfile.TemporaryDirectory() as path:         ppm = convert_from_path(pdf_path, output_folder=img_dir)       # 将ppm文件保存为png图片     for index, pm in enumerate(ppm, 1):         img_name = pdf_name + ＂-＂ + str(index).zfill(2) + ＂.png＂         pm.save(os.path.join(os.path.dirname(pm.filename), img_name))          # 删除ppm文件     for root, dir, file in os.walk(img_dir):         for f in file:             if f[-4:] == ＂.ppm＂:                 #print(f)                 send2trash.send2trash(os.path.join(root, f))      pdf_path = ＂易方达中小板指数证券投资基金（LOF）2020年中期报告.pdf＂ img_dir = ＂pdf_img＂  # 发现生成了.ppm格式的文件，不是图片格式，且命名带有规律，但不是原来的名字 ppm = pdf_saveas_img(pdf_path, img_dir)  #help(ppm[0]) ppm[0].save(＂pdf_img.png＂) type(ppm[0]) PIL.PpmImagePlugin.PpmImageFile ppm[0].filename ＂pdf_img/76b22d8c-b50f-4bfe-b5ef-f8b446d7d0ae-01.ppm＂ 复制代码pdf_path.split(＂.＂)[0] 复制代码＂易方达中小板指数证券投资基金（LOF）2020年中期报告＂ ＂pdf_img/76b22d8c-b50f-4bfe-b5ef-f8b446d7d0ae-01.ppm＂[:-4] ＂pdf_img/76b22d8c-b50f-4bfe-b5ef-f8b446d7d0ae-01＂ 添加水印
　　使用库： github.com/2Dou/waterm…
　　步骤:
　　1.获得一个带水印pdf文件
　　1.1在图片添加水印,图片插入到word,word保存为pdf
　　1.2python处理:参考
　　github.com/2Dou/waterm…
　　mp.weixin.qq.com/s/_oJA6lbsd…
　　2.将水印pdf文件合并到源目标pdf文件的每一页获取水印图片步骤1：省车给你一张透明的水印步骤2: 将水印添加到一张空白图上生成水印背景步骤3: 将水印背景粘贴到原图对应的位置上去两种水印类型固定位置水印：容易被去除全屏水印：不容易被去除，但可能会影响阅读土办法
　　法1，直接在word，插入文本框，旋转，设置无边框，注意设置背景透明，然后复制多个。导出为pdf。
　　法2，word本身自己的增加水印，设计-水印-自定义文字或图片。缺点是只能是单个水印。# 给pdf添加水印 def add_pdf_watermask(mask_path, pdf_path, save_path):     watermask = PdfFileReader(mask_path)     watermask_page = watermask.getPage(0)      pdf_reader = PdfFileReader(pdf_path)     pdf_writer = PdfFileWriter()     pdf_page_num = pdf_reader.getNumPages()      # 对pdf的每一页（除了首页），逐页与水印pdf合并，并添加到新的pdf     for page_index in range(pdf_page_num):         current_page = pdf_reader.getPage(page_index)         if page_index == 0: # 第一页不加水印             pdf_writer.addPage(current_page)             continue                  current_page.mergePage(watermask_page)         current_page.compressContentStreams() # 压缩内容         pdf_writer.addPage(current_page)          # 保存新的pdf文件     with open(save_path, ＂wb＂) as out:         pdf_writer.write(out) add_pdf_watermask(＂chizou.pdf＂, ＂concat.pdf＂, ＂concat_watermarker.pdf＂)
　　缺点是水印在内容pdf上方，如果设置过大，颜色不太透明，会遮挡内容。
　　文档加密与解密
　　解密：并不是破解，而是在已知密码的情况下解密from PyPDF2 import PdfFileReader  from PyPDF2 import PdfFileWriter  # 加密 pdf_reader = PdfFileReader(＂concat.pdf＂) pdf_writer = PdfFileWriter()  page_num = pdf_reader.getNumPages() for page_index in range(page_num):     pdf_writer.addPage(pdf_reader.getPage(page_index))  pdf_writer.encrypt(＂masaikemasaike＂) # 先逐页添加页，最后加密 with open(＂concat_encrypt.pdf＂, ＂wb＂) as out: # 必须是wb，二进制打开     pdf_writer.write(out) # 解密：对concat_encrypt.pdf解密，另存 pdf_reader = PdfFileReader(＂concat_encrypt.pdf＂) pdf_reader.decrypt(＂masaikemasaike＂)    # 一次性解密  pdf_writer = PdfFileWriter() page_num = pdf_reader.getNumPages() for page_index in range(page_num):     pdf_writer.addPage(pdf_reader.getPage(page_index))  with open(＂concat_decrypt.pdf＂, ＂wb＂) as out:     pdf_writer.write(out)
　　作者：秦与商
　　链接：https://juejin.cn/post/7069582991982329893