Python编程让繁琐的工作自动化（5）-处理PDF文档

有问题的 PDF 格式

虽然 PDF 文件对文本布局非常好，让人们很容易打印并阅读，但软件要将

它们解析为纯文本却并不容易。因此，PyPDF2 从 PDF 提取文本时可能会出错，

甚至根本不能打开某些 PDF。遗憾的是whatsapp网页版，你对此没有什么办法，PyPDF2 可能就

是不能处理某些 PDF 文件。话虽这样说，我至今没有发现不能用 PyPDF2 打开的

PDF 文件。

# 从PDF读取文本
import PyPDF2 
pdfFileObj = open('meetingminutes.pdf', 'rb') 
pdfReader = PyPDF2.PdfFileReader(pdfFileObj) 
pdfReader.numPages ->19 
# 0是第一页，
pageObj = pdfReader.getPage(0) 
#抽取文本可能并不完美，但可能来说足够了
pageObj.extractText() ->'OOFFFFIICCIIAALL  BBOOAARRDD   MMIINNUUTTEESS   Meeting of March 7, 2015 #解密PDF
pdfReader = PyPDF2.PdfFileReader(open('encrypted.pdf', 'rb')) 
# isEncrypted 属性表示是否有密码
pdfReader.isEncrypted ->True 
pdfReader.getPage(0) ->会报错，需要解锁密码来做。我个人认为或许可以用程序暴力解锁密码
#传递密码解锁.decrypt()方法只解密了PdfFileReader 对象，而不是实际的 PDF 文件。在程序中止后，硬盘上的文件仍然是加密的。程序下次运行时，仍然需要再次调用 decrypt()。
pdfReader.decrypt('rosebud')->1 
pageObj = pdfReader.getPage(0) # 创建PDF，通过使用PdfFileWriter对象，但PyPDF2不能将任意文本写入PDF，仅限于从其他PDF中
# 拷贝页面，旋转页面， 重叠页面和加密文件
#模块不允许直接编辑PDF，必须创建一个新的PDF，然后从已有的文档拷贝内容，在这本书中作者遵循以下方式：
# 1.打开一个或多个源PDF，得到PdfFileReader对象
# 2.创建一个新的PdfFileWriter对象。
# 3.将页面从PdfFileReader对象拷贝到PdfFileWriter对象中
# 4.利用PdfFileWriter对象写入输出的PDF。#创建一个PdfFileWriter对象，不会创建实际的PDF,要生成实际文件必须调用write方法，且以二进制模式打开。
# 从一个PDF拷贝页面到另一个PDF，可以组合多个PDF
import PyPDF2 
pdf1File = open('meetingminutes.pdf', 'rb') 
pdf2File = open('meetingminutes2.pdf', 'rb') 
pdf1Reader = PyPDF2.PdfFileReader(pdf1File) 
pdf2Reader = PyPDF2.PdfFileReader(pdf2File) 
pdfWriter = PyPDF2.PdfFileWriter() for pageNum in range(pdf1Reader.numPages): pageObj = pdf1Reader.getPage(pageNum) pdfWriter.addPage(pageObj) 
#PyPDF2不能在PdfFileWriter对象中间插入页面，addPage只能在末尾添加页面 
for pageNum in range(pdf2Reader.numPages): pageObj = pdf2Reader.getPage(pageNum) pdfWriter.addPage(pageObj) pdfOutputFile = open('combinedminutes.pdf', 'wb') 
pdfWriter.write(pdfOutputFile) 
pdfOutputFile.close() 
pdf1File.close() 
pdf2File.close() #旋转页面，使用rotateClockwise和rotateCounterClockwise方法，传入度数90，180，270即可
import PyPDF2 
minutesFile = open('meetingminutes.pdf', 'rb') 
pdfReader = PyPDF2.PdfFileReader(minutesFile) 
page = pdfReader.getPage(0) 
page.rotateClockwise(90) 
pdfWriter = PyPDF2.PdfFileWriter() 
pdfWriter.addPage(page) 
resultPdfFile = open('rotatedPage.pdf', 'wb') 
pdfWriter.write(resultPdfFile) 
resultPdfFile.close() 
minutesFile.close() #叠加页面，可以添加公司标志，时间戳以及水印等
import PyPDF2 
minutesFile = open('meetingminutes.pdf', 'rb') 
pdfReader = PyPDF2.PdfFileReader(minutesFile) 
minutesFirstPage = pdfReader.getPage(0) 
pdfWatermarkReader = PyPDF2.PdfFileReader(open('watermark.pdf', 'rb')) 
minutesFirstPage.mergePage(pdfWatermarkReader.getPage(0)) 
pdfWriter = PyPDF2.PdfFileWriter() 
pdfWriter.addPage(minutesFirstPage) for pageNum in range(1, pdfReader.numPages): pageObj = pdfReader.getPage(pageNum) pdfWriter.addPage(pageObj) 
resultPdfFile = open('watermarkedCover.pdf', 'wb') 
pdfWriter.write(resultPdfFile) 
minutesFile.close() 
resultPdfFile.close() #加密PDF
import PyPDF2 
pdfFile = open('meetingminutes.pdf', 'rb') 
pdfReader = PyPDF2.PdfFileReader(pdfFile) 
pdfWriter = PyPDF2.PdfFileWriter() 
for pageNum in range(pdfReader.numPages): pdfWriter.addPage(pdfReader.getPage(pageNum)) pdfWriter.encrypt('swordfish') 
resultPdf = open('encryptedminutes.pdf', 'wb') 
pdfWriter.write(resultPdf) 
resultPdf.close() 

项目：从多个 PDF 中合并选择的页面

假定你有一个很无聊的任务，需要将几十个 PDF 文件合并成一个 PDF 文件。每

一个文件都有一个封面作为第一页，但你不希望合并后的文件中重复出现这些封

面。即使有许多免费的程序可以合并 PDFwhatsapp登录，很多也只是简单的将文件合并在一起。

让我们来写一个 Python 程序，定制需要合并到 PDF 中的页面。

总的来说，该程序需要完成：

找到当前工作目录中所有 PDF 文件。按文件名排序，这样就能有序地添加这些 PDF。除了第一页之外，将每个 PDF 的所有页面写入输出的文件。

从实现的角度来看，代码需要完成下列任务：调用 os.listdir()，找到当前工作目录中的所有文件，去除掉非 PDF 文件。调用 Python 的 sort()列表方法，对文件名按字母排序。为输出的 PDF 文件创建 PdfFileWriter 对象。循环遍历每个 PDF 文件，为它创建 PdfFileReader 对象。针对每个 PDF 文件，循环遍历每一页，第一页除外。将页面添加到输出的 PDF。将输出的 PDF 写入一个文件，名为 allminutes.pdf。

针对这个项目，打开一个新的文件编辑器窗口，将它保存为 combinePdfs.py。

# 第 1 步：找到所有 PDF 文件 
#! python3 
# combinePdfs.py - Combines all the PDFs in the current working directory into 
# into a single PDF. import PyPDF2, os # Get all the PDF filenames. 
pdfFiles = [] 
for filename in os.listdir('.'): if filename.endswith('.pdf'): pdfFiles.append(filename) 
pdfFiles.sort(key=str.lower) 
pdfWriter = PyPDF2.PdfFileWriter() # 第2步：打开每个PDF文件
# Loop through all the PDF files. 
for filename in pdfFiles: pdfFileObj = open(filename, 'rb') pdfReader = PyPDF2.PdfFileReader(pdfFileObj) # 第3步：添加每一页# Loop through all the pages (except the first) and add them. for pageNum in range(1, pdfReader.numPages): pageObj = pdfReader.getPage(pageNum) pdfWriter.addPage(pageObj) 
# 第4步：保存结果        
# Save the resulting PDF to a file. 
pdfOutput = open('allminutes.pdf', 'wb') 
pdfWriter.write(pdfOutput) 
pdfOutput.close() 

类似程序的想法

能够利用其他 PDF 文件的页面创建 PDF 文件，这让你的程序能完成以下任务：

 从 PDF 文件中截取特定的页面。

 重新调整 PDF 文件中页面的次序。

 创建一个 PDF 文件whatsapp网页版，只包含那些具有特定文本的页面。文本由 extractText()来确定。