如何使用Python使用PDF文档

PDF 文件因其跨平台兼容性而广受欢迎，内容和布局在不同操作系统、阅读设备和软件上保持一致。然而，与 Python 处理纯文本文件不同，PDF 文件是二进制文件，结构更复杂，包含字体、颜色和图像等元素。

幸运的是，借助 Python 的外部模块，处理 PDF 文件并非难事。本文将使用 PyPDF2 模块演示如何打开 PDF 文件、打印页面和提取文本。关于 PDF 文件的创建和编辑，请参考我的另一篇教程。

准备工作

核心在于使用外部模块 PyPDF2。首先，使用 pip 安装它：

pip 是 Python 的包管理系统，用于安装和管理 Python 软件包，许多包可在 Python 包索引 (PyPI) 中找到。

如果您是从 python.org 下载的 Python，pip 很可能已自动安装。 在终端输入以下命令安装 PyPDF2：

pip install PyPDF2

要使用 PyPDF2 的全部功能（包括加密、解密和图像处理），可以使用以下命令：

pip install PyPDF2[full]

如果您只需要 AES 加密/解密功能，则可以使用：

pip install PyPDF2[crypto]

PyPDF2 默认支持 RC4 加密。

PyPDF2 基础

PyPDF2 是一个免费开源库，支持 PDF 文件的读取、写入、分割和合并等操作。本教程使用 PyPDF2 版本 2.11.1。

读取 PDF 文件

我们将使用 Project Gutenberg 上的《美女与野兽》PDF 版本作为示例文件。您可以下载该文件或使用任何其他 PDF 文件。

以下代码演示如何打开并读取 PDF 文件：

import PyPDF2

with open('beauty-and-the-beast.pdf', 'rb') as book:
    book_reader = PyPDF2.PdfReader(book)

第一行导入 PyPDF2 模块。PdfReader 类用于读取 PDF 文件，并将其页面表示为 Page 对象。

获取页面数量：

import PyPDF2

with open('beauty-and-the-beast.pdf', 'rb') as book:
    book_reader = PyPDF2.PdfReader(book)
    number_of_pages = len(book_reader.pages)
    print(number_of_pages)  # 输出：48

直接访问页面编号

get_page_number() 方法可获取页面的编号：

import random
from PyPDF2 import PdfReader

with open('beauty-and-the-beast.pdf', 'rb') as book:
    book_reader = PdfReader(book)
    page_list = book_reader.pages
    last_page = page_list[-1]
    print(book_reader.get_page_number(last_page))  # 输出：47 (实际为第48页)
    some_page = page_list[random.randint(15, 35)]
    print(book_reader.get_page_number(some_page))  # 输出：随机页码

页面模式和页面布局

page_mode 和 page_layout 属性分别返回页面模式和页面布局信息：

from PyPDF2 import PdfReader

with open('beauty-and-the-beast.pdf', 'rb') as book:
    book_reader = PdfReader(book)
    print(book_reader.page_mode)  # 输出：None
    print(book_reader.page_layout)  # 输出：None

metadata 属性返回 PDF 文件的元数据，例如作者、标题、创建时间和生成器等信息：

from PyPDF2 import PdfReader

with open('beauty-and-the-beast.pdf', 'rb') as book:
    book_reader = PdfReader(book)
    book_metadata = book_reader.metadata
    print(book_metadata.title)       # 输出：Beauty and the Beast
    print(book_metadata.author)      # 输出：Anonymous
    print(book_metadata.creation_date) # 输出：例如 2006-11-30 01:13:00-08:00
    print(book_metadata.producer)    # 输出：例如 pdfeTeX-1.21a

总结

Python 通过 PyPDF2 模块简化了 PDF 文件的处理。本文仅介绍了 PyPDF2 的部分功能，更多细节请参考 PyPDF2 官方文档。

以上是如何使用Python使用PDF文档的详细内容。更多信息请关注PHP中文网其他相关文章！