오늘의 특정 콘텐츠는 다음 섹션에서 확장됩니다.
위 작업은 비교적 일반적이며 많은 사무실 내용을 해결할 수도 있습니다. 이 섹션을 직접 시작하겠습니다.
Python은 두 가지 방법을 사용하여 PDF를 작동합니다. : PyPDF2 및 pdfplumumber.
그중 PyPDF2는 PDF 파일을 더 잘 읽고, 쓰고, 분할하고, 병합할 수 있는 반면, pdfplumumber는 PDF 파일의 내용을 더 잘 읽고 PDF에서 테이블을 추출할 수 있습니다.
해당 공식 웹사이트는 다음과 같습니다:
이 두 라이브러리는 Python 표준 라이브러리가 아니기 때문입니다. 이므로 별도로 설치하여 사용하셔야 합니다.
win+r을 누른 다음 cmd를 입력하여 명령 창을 열고 다음 명령을 입력하여 설치합니다.
설치가 완료된 후 성공이 표시되면, 이는 설치가 성공적으로 완료되었음을 의미합니다.
전체 PDF를 여러 개의 작은 PDF로 분할합니다. 이는 주로 PDF의 전체 작업과 관련되므로 이 섹션에서는 PyPDF2 라이브러리를 사용해야 합니다.
분할의 일반적인 아이디어는 다음과 같습니다.
분할 프로세스 중에 간격을 수동으로 설정할 수 있습니다. 예를 들어 5페이지마다 작은 PDF 파일에 저장됩니다.
분할 코드는 다음과 같습니다.
import os
from PyPDF2 import PdfFileWriter, PdfFileReader
def split_pdf(filename, filepath, save_dirpath, step=5):
"""
拆分PDF为多个小的PDF文件，
@param filename:文件名
@param filepath:文件路径
@param save_dirpath:保存小的PDF的文件路径
@param step: 每step间隔的页面生成一个文件，例如step=5，表示0-4页、5-9页...为一个文件
@return:
"""
if not os.path.exists(save_dirpath):
os.mkdir(save_dirpath)
pdf_reader = PdfFileReader(filepath)
# 读取每一页的数据
pages = pdf_reader.getNumPages()
for page in range(0, pages, step):
pdf_writer = PdfFileWriter()
# 拆分pdf，每 step 页的拆分为一个文件
for index in range(page, page+step):
if index < pages:
pdf_writer.addPage(pdf_reader.getPage(index))
# 保存拆分后的小文件
save_path = os.path.join(save_dirpath, filename+str(int(page/step)+1)+'.pdf')
print(save_path)
with open(save_path, "wb") as out:
pdf_writer.write(out)
print("文件已成功拆分，保存路径为："+save_dirpath)
split_pdf(filename, filepath, save_dirpath, step=5)"이펀드의 2020년 중소형 하이브리드증권 투자 펀드 중간보고서"를 예로 들면 전체 PDF 파일은 5페이지 간격으로 총 46페이지로 구성되어 있으며, 마지막으로 10개의 작은 PDF 문서가 생성됩니다.
분할에 비해 병합 개념이 더 간단합니다.
해당 코드는 비교적 간단합니다:
import os
from PyPDF2 import PdfFileReader, PdfFileWriter
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()
# 对文件名进行排序
list_filename = os.listdir(read_dirpath)
list_filename.sort(key=lambda x: int(x[:-4].replace(filename, "")))
for filename in list_filename:
print(filename)
filepath = os.path.join(read_dirpath, filename)
# 读取文件并获取文件的页数
pdf_reader = PdfFileReader(filepath)
pages = pdf_reader.getNumPages()
# 逐页添加
for page in range(pages):
pdf_writer.addPage(pdf_reader.getPage(page))
# 保存合并后的文件
with open(save_filepath, "wb") as out:
pdf_writer.write(out)
print("文件已成功合并，保存路径为："+save_filepath)
concat_pdf(filename, read_dirpath, save_filepath)에는 특정 PDF 콘텐츠 작업이 필요합니다.
텍스트를 추출할 때는 extract_text 함수를 주로 사용합니다.
구체적인 코드는 다음과 같습니다.
import os import pdfplumber def extract_text_info(filepath): """ 提取PDF中的文字 @param filepath:文件路径 @return: """ with pdfplumber.open(filepath) as pdf: # 获取第2页数据 page = pdf.pages[1] print(page.extract_text()) # 提取文字内容 extract_text_info(filepath)
아래 첨자를 통해 해당 페이지 번호를 직접 찾은 후 extract_text 함수를 통해 페이지의 텍스트를 모두 추출할 수 있는 것을 알 수 있습니다.
그리고 모든 페이지의 텍스트를 추출하고 싶다면 다음과 같이 변경하면 됩니다:
with pdfplumber.open(filepath) as pdf: # 获取全部数据 for page in pdf.pages print(page.extract_text())
예를 들어 "E펀드 중소형 혼합증권투자펀드 2020 중간"의 첫 페이지 내용을 추출할 때 Report", 소스 파일은 다음과 같습니다.
코드를 실행한 후 추출은 다음과 같습니다.
마찬가지로 이 섹션은 특정 콘텐츠의 작동에 관한 것입니다. 따라서 pdfplumumber 라이브러리도 사용해야 합니다.
텍스트 추출과 매우 유사하며, 테이블 콘텐츠 추출은 extract_text 함수를 extract_table 함수로 대체합니다.
해당 코드는 다음과 같습니다.
import os
import pandas as pd
import pdfplumber
def extract_table_info(filepath):
"""
提取PDF中的图表数据
@param filepath:
@return:
"""
with pdfplumber.open(filepath) as pdf:
# 获取第18页数据
page = pdf.pages[17]
# 如果一页有一个表格，设置表格的第一行为表头，其余为数据
table_info = page.extract_table()
df_table = pd.DataFrame(table_info[1:], columns=table_info[0])
df_table.to_csv('dmeo.csv', index=False, encoding='gbk')
# 提取表格内容
extract_table_info(filepath)위 코드는 18페이지의 첫 번째 테이블 내용을 가져와서 로컬에 csv 파일로 저장할 수 있습니다.
읽은 테이블은 2차원 배열로 저장되고, 2차원 배열이 여러 개 모여 3차원 배열을 이루기 때문입니다.
이 3자리 배열을 탐색하여 페이지의 각 테이블 데이터를 가져옵니다. 그에 따라 extract_table 함수를 extract_tables로 변경하세요.
구체적인 코드는 다음과 같습니다.
# 如果一页有多个表格，对应的数据是一个三维数组
tables_info = page.extract_tables()
for index in range(len(tables_info)):
# 设置表格的第一行为表头，其余为数据
df_table = pd.DataFrame(tables_info[index][1:], columns=tables_info[index][0])
print(df_table)
# df_table.to_csv('dmeo.csv', index=False, encoding='gbk')"이펀드 중소형 하이브리드증권 투자펀드 2020년 중간보고서" xx페이지 첫 번째 표를 예시로 들어보겠습니다.
소스 파일의 표는 다음과 같습니다. :
추출하여 엑셀에 저장하면 테이블은 다음과 같습니다.
提取 PDF 中的图片和将 PDF 转存为图片是不一样的（下一小节），需要区分开。
提取图片：顾名思义，就是将内容中的图片都提取出来；
转存为图片：则是将每一页的 PDF 内容存成一页一页的图片，下一小节会详细说明
转存为图片中，需要用到一个模块叫 fitz，fitz 的最新版 1.18.13，非最新版的在部分函数名称上存在差异，代码中会标记出来
使用 fitz 需要先安装 PyMuPDF 模块，安装方式如下：
提取图片的整体逻辑如下：
实现的具体代码如下：
import os
import re
import fitz
def extract_pic_info(filepath, pic_dirpath):
"""
提取PDF中的图片
@param filepath:pdf文件路径
@param pic_dirpath:要保存的图片目录路径
@return:
"""
if not os.path.exists(pic_dirpath):
os.makedirs(pic_dirpath)
# 使用正则表达式来查找图片
check_XObject = r"/Type(?= */XObject)"
check_Image = r"/Subtype(?= */Image)"
img_count = 0
"""1. 打开pdf，打印相关信息"""
pdf_info = fitz.open(filepath)
# 1.16.8版本用法 xref_len = doc._getXrefLength()
# 最新版本
xref_len = pdf_info.xref_length()
# 打印PDF的信息
print("文件名：{}, 页数: {}, 对象: {}".format(filepath, len(pdf_info), xref_len-1))
"""2. 遍历PDF中的对象，遇到是图像才进行下一步，不然就continue"""
for index in range(1, xref_len):
# 1.16.8版本用法 text = doc._getXrefString(index)
# 最新版本
text = pdf_info.xref_object(index)
is_XObject = re.search(check_XObject, text)
is_Image = re.search(check_Image, text)
# 如果不是对象也不是图片，则不操作
if is_XObject or is_Image:
img_count += 1
# 根据索引生成图像
pix = fitz.Pixmap(pdf_info, index)
pic_filepath = os.path.join(pic_dirpath, '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
"""三、 将图像存为png格式"""
if pix.n >= 5:
# 先转换CMYK
pix = fitz.Pixmap(fitz.csRGB, pix)
# 存为PNG
pix.writePNG(pic_filepath)
# 提取图片内容
extract_pic_info(filepath, pic_dirpath)以本节示例的“易方达中小盘混合型证券投资基金2020年中期报告” 中的图片为例，代码运行后提取的图片如下：
这个结果和文档中的共 1 张图片的结果符合。
转换为照片比较简单，就是将一页页的 PDF 转换为一张张的图片。大致过程如下：
首先需要安装对应的库，最新的 pdf2image 库版本应该是 1.14.0。
它的 github地址 为：https://github.com/Belval/pdf2image ，感兴趣的可以自行了解。
安装方式如下：
对于不同的平台，需要安装相应的组件，这里以 windows 平台和 mac 平台为例：
Windows 平台
对于 windows 用户需要安装 poppler for Windows，安装链接是：http://blog.alivate.com.au/poppler-windows/
另外，还需要添加环境变量， 将 bin 文件夹的路径添加到环境变量 PATH 中。
Mac
对于 mac 用户，需要安装 poppler for Mac，具体可以参考这个链接：http://macappstore.org/poppler/
详细代码如下：
import os from pdf2image import convert_from_path, convert_from_bytes def convert_to_pic(filepath, pic_dirpath): """ 每一页的PDF转换成图片 @param filepath:pdf文件路径 @param pic_dirpath:图片目录路径 @return: """ print(filepath) if not os.path.exists(pic_dirpath): os.makedirs(pic_dirpath) images = convert_from_bytes(open(filepath, 'rb').read()) # images = convert_from_path(filepath, dpi=200) for image in images: # 保存图片 pic_filepath = os.path.join(pic_dirpath, 'img_'+str(images.index(image))+'.png') image.save(pic_filepath, 'PNG') # PDF转换为图片 convert_to_pic(filepath, pic_dirpath)
以本节示例的“易方达中小盘混合型证券投资基金2020年中期报告” 中的图片为例，该文档共 46 页，保存后的 PDF 照片如下：
一共 46 张图片
添加水印后的效果如下：
在制作水印的时候，可以自定义水印内容、透明度、斜度、字间宽度等等，可操作性比较好。
前面专门写过一篇文章，讲的特别详细：Python快速给PDF文件添加自定义水印。
你可能在打开部分 PDF 文件的时候，会弹出下面这个界面：
这种就是 PDF 文件被加密了，在打开的时候需要相应的密码才行。
本节所提到的也只是基于 PDF 文档的加密解密，而不是所谓的 PDF 密码破解。
在对 PDF 文件加密需要使用 encrypt 函数，对应的加密代码也比较简单：
import os from PyPDF2 import PdfFileReader, PdfFileWriter def encrypt_pdf(filepath, save_filepath, passwd='xiaoyi'): """ PDF文档加密 @param filepath:PDF文件路径 @param save_filepath:加密后的文件保存路径 @param passwd:密码 @return: """ pdf_reader = PdfFileReader(filepath) pdf_writer = PdfFileWriter() for page_index in range(pdf_reader.getNumPages()): pdf_writer.addPage(pdf_reader.getPage(page_index)) # 添加密码 pdf_writer.encrypt(passwd) with open(save_filepath, "wb") as out: pdf_writer.write(out) # 文档加密 encrypt_pdf(filepath, save_filepath, passwd='xiaoyi')
代码执行成功后再次打开 PDF 文件则需要输入密码才行。
根据这个思路，破解 PDF 也可以通过暴力求解实现，例如：通过本地密码本一个个去尝试，或者根据数字+字母的密码形式循环尝试，最终成功打开的密码就是破解密码。
另外，针对已经加密的 PDF 文件，也可以使用 decrypt 函数进行解密操作。
解密代码如下：
def decrypt_pdf(filepath, save_filepath, passwd='xiaoyi'):
"""
解密 PDF 文档并且保存为未加密的 PDF
@param filepath:PDF文件路径
@param save_filepath:解密后的文件保存路径
@param passwd:密码
@return:
"""
pdf_reader = PdfFileReader(filepath)
# PDF文档解密
pdf_reader.decrypt('xiaoyi')
pdf_writer = PdfFileWriter()
for page_index in range(pdf_reader.getNumPages()):
pdf_writer.addPage(pdf_reader.getPage(page_index))
with open(save_filepath, "wb") as out:
pdf_writer.write(out)
# 文档解密
decrypt_pdf(filepath, save_filepath, passwd='xiaoyi')解密完成后的 PDF 文档打开后不再需要输入密码，如需加密可再次执行加密代码。
以上就是 Python 操作 PDF 的全部内容，文中贴出的代码都已经测试过，可正常运行。
위 내용은 Python 사무 자동화에서 PDF의 세부 작업의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!
![[웹 프런트엔드] Node.js 빠른 시작](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
