总结用Python 操作 PDF 的几种方法

python教程栏目今天为大家总结用Python操作PDF的几种方法。

01

前言

大家好，有关 Python 操作 PDF 的案例之前已经写过一个?PDF批量合并，这个案例初衷只是给大家提供一个便利的脚本，并没有太多讲解原理,其中涉及的就是 PDF 处理很实用的模块 PyPDF2 ，本文就好好剖析一下这个模块，主要将涉及

• os 模块综合应用
• glob 模块综合应用
• PyPDF2 模块操作

02

基本操作

PyPDF2 导入模块的代码常常是：

from PyPDF2 import PdfFileReader, PdfFileWriter复制代码

这里导入了两个方法：

• PdfFileReader 可以理解为读取器
• PdfFileWriter 可以理解为写入器

接下来通过几个案例进一步认识这两个工具的奇妙之处，用到的示例文件是5个发票的 pdf

每个发票的 PDF 都由两页组成：

03

合并

第一个工作是将5个发票pdf合并成10页。这里读取器和写入器应该怎么配合呢？

逻辑如下：

• 读取器将所有pdf读取一遍
• 读取器将读取的内容交给写入器
• 写入器统一输出到一个新pdf

这里还有一个重要的知识点：读取器只能将读取的内容一页一页交给写入器。

因此，逻辑中第1步和第2步实际上不是彼此独立的步骤，而是读取器读取完一个pdf后，就将这个pdf全部页循环一遍，挨页交给写入器。最后等读取工作全部结束后再输出。

看一下代码可以让思路更清楚：

from PyPDF2 import PdfFileReader, PdfFileWriter

path = r'C:\Users\xxxxxx'
pdf_writer = PdfFileWriter()

for i in range(1, 6):
    pdf_reader = PdfFileReader(path + '/INV{}.pdf'.format(i))
    for page in range(pdf_reader.getNumPages()):
        pdf_writer.addPage(pdf_reader.getPage(page))

with open(path + r'\合并PDF\merge.pdf', 'wb') as out:
    pdf_writer.write(out)复制代码

由于全部内容都需要交给同一个写入器最后一起输出，所以写入器的初始化一定是在循环体之外的.

如果在循环体内则会变成每次访问读取一个pdf就生成一个新的写入器，这样每一个读取器交给写入器的内容就会被反复覆盖，无法实现我们的合并需求!

循环体开头的代码：

for i in range(1, 6):
    pdf_reader = PdfFileReader(path + '/INV{}.pdf'.format(i))复制代码

目的就是每次循环读取一个新的 pdf 文件交给读取器进行后续操作。实际上这种写法不是很提倡，由于各 pdf 命名恰好很规则，所以可以直接人为指定数字进行循环。更好的方法是用 glob 模块：

import glob
for file in glob.glob(path + '/*.pdf&#3<span style="color:transparent">来1源gaodai#ma#com搞*代#码1网</span>9;):
    pdf_reader = PdfFileReader(path)复制代码

代码中 pdf_reader.getNumPages(): 能够获取读取器的页数，配合 range 就能遍历读取器的所有页。

pdf_writer.addPage(pdf_reader.getPage(page)) 能够将当前页交给写入器。

最后，用 with 新建一个 pdf 并由写入器的 pdf_writer.write(out) 方法输出即可。

喜欢 (0)赏

[搞代码]

分享 (0)