Operasi terperinci PDF dalam automasi pejabat Python

Kandungan khusus hari ini akan dikembangkan daripada bahagian berikut:

• Pengenalan berkaitan
• Pembahagian kelompok
• Penggabungan kelompok
• Ekstrak kandungan teks
• Kemukakan kandungan jadual
• Kemukakan kandungan imej
• Tukar kepada imej PDF
• Tambah tera air
• Penyulitan dan penyahkodan

Operasi di atas agak biasa dan juga boleh menyelesaikan banyak tugas pejabat ini secara langsung:

1 >Python menggunakan dua perpustakaan untuk mengendalikan PDF, iaitu: PyPDF2 dan pdfplumber.

Antaranya, PyPDF2 boleh membaca, menulis, membahagi dan menggabungkan fail PDF dengan lebih baik, manakala pdfplumber boleh membaca kandungan fail PDF dan mengekstrak jadual dalam PDF dengan lebih baik. Tapak web rasmi

yang sepadan ialah:

PyPDF2: https://pythonhosted.org/PyPDF2/

• pdfplumber: https://github.com/ jsvine /pdfplumber
• Memandangkan kedua-dua perpustakaan ini bukan perpustakaan standard Python, ia perlu dipasang secara berasingan sebelum digunakan.

Masukkan cmd selepas win+r untuk membuka tetingkap arahan, dan masukkan arahan berikut untuk memasang:

pip install PyPDF2

• pip install pdfplumber
Selepas pemasangan selesai, jika kejayaan dipaparkan, bermakna pemasangan berjaya.

2. Pemisahan kelompok

Pisah PDF lengkap kepada beberapa PDF kecil, kerana ia melibatkan operasi keseluruhan PDF, jadi Bahagian ini memerlukan penggunaan perpustakaan PyPDF2.

Idea umum pemisahan adalah seperti berikut:

Baca maklumat keseluruhan PDF, jumlah halaman, dll.

• Lintasi kandungan setiap halaman, mengambil setiap langkah sebagai Simpan PDF ke dalam setiap blok fail kecil pada selang waktu
• Simpan semula blok fail kecil sebagai fail PDF baharu
• Perlu diambil perhatian bahawa semasa proses pemisahan , Selang boleh ditetapkan secara manual, sebagai contoh: setiap 5 halaman disimpan sebagai fail PDF kecil.

Kod pecahan adalah seperti berikut:

Mengambil "Laporan Interim 2020 Dana E Fund bagi Dana Pelaburan Sekuriti Hibrid Cap Kecil dan Sederhana" sebagai contoh, keseluruhan fail PDF mempunyai jumlah daripada 46 halaman, dan setiap 5 halaman adalah selang, akhirnya menghasilkan 10 fail PDF kecil.

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)

3. Gabungan kelompok

Berbanding dengan pemisahan, idea penggabungan adalah lebih mudah:

Tentukan apa yang anda ingin bergabung Urutan fail

• dilampirkan pada blok fail dalam gelung
• dan disimpan sebagai fail baharu
• Kod yang sepadan agak mudah:

4. Mengekstrak kandungan teks

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)

melibatkan operasi kandungan PDF khusus Bahagian ini memerlukan penggunaan perpustakaan pdfplumber.

Apabila mengekstrak teks, fungsi extract_text digunakan terutamanya.

Kod khusus adalah seperti berikut:

Seperti yang anda lihat, nombor halaman yang sepadan boleh didapati terus melalui subskrip, dan semua teks halaman boleh diekstrak melalui fungsi extract_text.

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)

Dan jika anda ingin mengekstrak teks semua halaman, anda hanya perlu menukarnya kepada:

Sebagai contoh, ekstrak halaman pertama "E Fund Small and Medium Cap Laporan Interim Dana Pelaburan Sekuriti Hibrid 2020" Kandungan fail sumber adalah seperti berikut:

with pdfplumber.open(filepath) as pdf:
# 获取全部数据
for page in pdf.pages
print(page.extract_text())

Selepas menjalankan kod, kandungan yang diekstrak adalah seperti berikut:

5 . Ekstrak kandungan jadual

Begitu juga, bahagian ini adalah mengenai pengendalian kandungan tertentu, jadi anda juga perlu menggunakan perpustakaan pdfplumber.

Sangat serupa dengan mengekstrak teks, mengekstrak kandungan jadual hanya menggantikan fungsi extract_text dengan fungsi extract_table.

Kod yang sepadan adalah seperti berikut:

Kod di atas boleh mendapatkan kandungan jadual pertama di halaman 18 dan menyimpannya sebagai fail csv secara setempat.

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)

Tetapi bagaimana jika terdapat berbilang kandungan jadual di halaman 18?

• Oleh kerana jadual baca akan disimpan sebagai tatasusunan dua dimensi, dan tatasusunan berbilang dua dimensi membentuk tatasusunan tiga dimensi.

Lintas tatasusunan tiga digit ini untuk mendapatkan setiap data jadual pada halaman Selaras dengan itu, tukar fungsi extract_table kepada extract_tables.

Kod khusus adalah seperti berikut:

Ambil jadual pertama di halaman xx "Laporan Interim Dana Pelaburan Sekuriti Sekuriti Hibrid Kecil dan Sederhana E Dana 2020" sebagai contoh:

# 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')

Jadual dalam fail sumber kelihatan seperti ini:

Jadual selepas mengekstrak dan menyimpannya ke dalam excel kelihatan seperti ini:

6. 提取图片内容

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：

• pip install PyMuPDF

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

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。

7. 转换为图片

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：

安装 pdf2image

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：

• pip install pdf2image

安装组件

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。

• 注意这里配置之后需要重启一下电脑才会生效，不然会报错

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

8. 添加水印

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。

9. 文档加密与解密

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。

• 上述破解方法耗时耗力，不建议尝试

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。

Atas ialah kandungan terperinci Operasi terperinci PDF dalam automasi pejabat Python. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!