PDF（Portable Document Format），中文名稱便攜文檔格式是我們經常會接觸到的一種文件格式，文獻、文檔…很多都是PDF格式。它以格式穩定的優勢，使得我們在列印、分享、傳輸過程中能夠最優的保持原有色彩和格式。 PDF是以PostScript語言圖像模型為基礎的一種文檔格式，它在格 ...
PDF（Portable Document Format），中文名稱便攜文檔格式是我們經常會接觸到的一種文件格式，文獻、文檔…很多都是PDF格式。它以格式穩定的優勢，使得我們在列印、分享、傳輸過程中能夠最優的保持原有色彩和格式。
PDF是以PostScript語言圖像模型為基礎的一種文檔格式，它在格式的穩定性方面雖然具有很大優勢。但是，在可編輯性方面卻為使用者引入了另外一個困擾。
例如，在文檔的分割、合併、剪切、轉換、編輯等方面PDF就有些捉襟見肘了。
Adobe Reader、福昕閱讀器、熊貓PDF…經常用到的PDF工具只能用於文檔閱讀，但是免費版都不可以用於文檔編輯。雖然，網頁版PDF工具，例如SmallPDF、I love PDF可以用於PDF的編輯，但是對於文檔大小也有限制。
曾經，為了替換PDF中的一頁，我幾乎試遍了所有市面上主流的PDF工具，最終還是不得不選擇使用付費工具來解決問題。
事後想了想，既然這些商業化軟體不靠譜，為什麼不考慮自己動手開發一款工具呢？明明幾十行代碼能夠解決的問題，為什麼要費那麼多勁去下載、安裝那些沒有節操的軟體呢？
本文就來介紹一下利用Python輕鬆開發一款PDF編輯工具，可以用於PDF轉TxT、分割、合併、剪切、轉換。
PyPDF2
PyPDF2是一個第三方的python PDF庫，它能夠對PDF文件進行分割、合併、裁剪和轉換頁面。
另外，它還可以對PDF文件添加自定義數據、水印、密碼，也可以從PDF文件中檢索出文本和元數據。
安裝
使用pip直接安裝：
$ pip install PyPDF2
下麵就來演示幾項PDF編輯功能，並且會逐行解釋代碼的含義。
刪除PDF頁
先給出實現代碼，
from PyPDF2 import PdfFileWriter, PdfFileReader output = PdfFileWriter() // 1 input1 = PdfFileReader(open("example.pdf", "rb")) // 2 def delete_pdf(index): pages = input1.getNumPages() // 3 for i in range(pages): if i+1 in index: continue output.addPage(input1.getPage(i)) // 4 outputStream = open("PyPDF2-output.pdf", "wb") output.write(outputStream) // 5 delete_pdf([2,3,4])
下麵來解釋一下代碼中的幾個關鍵點：
- 聲明一個用於輸出PDF的實例；
- 讀取本地PDF文件；
- 獲取PDF文檔的頁數；
- 讀取PDF的第i頁，添加到輸出output實例中；
- 把編輯後的文檔保存到本地；
合併PDF
已經實現了刪除PDF頁，接下來就看一下如何把另外一個PDF中的頁面合併到當前PDF中。
方法1：
可以沿著前面刪除PDF頁的方式進行拓展一下，對PDF進行合併。
from 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])
讀取需要合併的源文件；
遍歷到指定頁，合併源PDF的頁面；
方法2：
除了方法1，還有另外一種方法可以合併PDF：
from PyPDF2 import PdfFileMerger // 1 merger = PdfFileMerger() input1 = open("document1.pdf", "rb") // 2 input2 = open("document2.pdf", "rb") input3 = open("document3.pdf", "rb") merger.append(fileobj = input1, pages = (0,3)) // 3 merger.merge(position = 2, fileobj = input2, pages = (0,1)) // 4 merger.append(input3) // 5 output = open("document-output.pdf", "wb") merger.write(output)
- 導入PyPDF2合併模塊PdfFileMerger;
- 讀取需要處理和合併的PDF文檔；
- 從第一個PDF文檔中取出需要合併的前3頁；
- 把第二個PDF文檔的第一頁插入到文檔中；
- 把第三個PDF文檔附到輸出文檔末尾；
- 除了上述介紹的2項主要功能，PyPDF2也有一些其他小功能：
旋轉
input1.getPage(1).rotateClockwise(90)
使得頁面1旋轉90度。
添加水印
page = input1.getPage(3) watermark = PdfFileReader(open("watermark.pdf", "rb")) page.mergePage(watermark.getPage(0))
其中，水印存儲在另外一個PDF文檔watermark.pdf中。
加密
password = "secret" output.encrypt(password)
首先給一個secret密碼，然後使用encrypt對輸出文檔進行加密。
pdfminer
前面介紹的PyPDF2主要擅長於PDF頁面級編輯，而對於文本和源數據級別編輯能力較弱。
所以，這裡就來介紹另外一款Python庫來彌補它的不足。
PDFMiner是一個PDF文檔的文本提取工具，它具有如下特性：
- 能夠準確獲取文本的位置和佈局信息；
- 可以將PDF轉換為HTML/XML等格式；
- 可以提取目錄；
- 可以提取標簽內容；
- 支持各種字體類型（Type1、TrueType、Type3和CID）;
- 支持中、日、韓語言和垂直書寫文本;
安裝
$ pip install pdfminer
PDF轉TxT
pdfminer在GitHub的托管項目中，在目錄tools下給出了一些實用的工具集，例如，PDF轉HTML、PDF轉HTML、PDF轉TXT。我們可以直接通過使用下麵命令提出PDF文檔中的文本信息。
$ pdf2txt.py samples/simple1.pdf
總結
通過上述2款Python庫，就可以實現從頁面到文本元數據的編輯，本文只是簡單的介紹了每項的基本用法。關於詳細的用法和函數列表，可以閱讀官方文檔，或者閱讀GitHub上項目源碼進行瞭解。此外，可以在這些基本的用法基礎上進行發散思維，發掘更多有價值的應用場景，例如，提出文本數據之後調用翻譯API進行文獻翻譯。也可以，對軟體進行封裝，開發成一款通用的PDF編輯工具。
本文福利
