（掃碼關(guān)注）

PDF（Portable Document Format），中文名稱便攜文檔格式是我們經(jīng)常會(huì)接觸到的一種文件格式，文獻(xiàn)、文檔...很多都是PDF格式。它以格式穩(wěn)定的優(yōu)勢(shì)，使得我們?cè)诖蛴?、分享、傳輸過(guò)程中能夠最優(yōu)的保持原有色彩和格式。

PDF是以PostScript語(yǔ)言圖像模型為基礎(chǔ)的一種文檔格式，它在格式的穩(wěn)定性方面雖然具有很大優(yōu)勢(shì)。但是，在可編輯性方面卻為使用者引入了另外一個(gè)困擾。

例如，在文檔的分割、合并、剪切、轉(zhuǎn)換、編輯等方面PDF就有些捉襟見(jiàn)肘了。

Adobe Reader、福昕閱讀器、熊貓PDF...經(jīng)常用到的PDF工具只能用于文檔閱讀，但是免費(fèi)版都不可以用于文檔編輯。雖然，網(wǎng)頁(yè)版PDF工具，例如SmallPDF、I love PDF可以用于PDF的編輯，但是對(duì)于文檔大小也有限制。

曾經(jīng)，為了替換PDF中的一頁(yè)，我?guī)缀踉嚤榱怂惺忻嫔现髁鞯腜DF工具，最終還是不得不選擇使用付費(fèi)工具來(lái)解決問(wèn)題。

事后想了想，既然這些商業(yè)化軟件不靠譜，為什么不考慮自己動(dòng)手開(kāi)發(fā)一款工具呢？明明幾十行代碼能夠解決的問(wèn)題，為什么要費(fèi)那么多勁去下載、安裝那些沒(méi)有節(jié)操的軟件呢？

本文就來(lái)介紹一下利用Python輕松開(kāi)發(fā)一款PDF編輯工具，可以用于PDF轉(zhuǎn)TxT、分割、合并、剪切、轉(zhuǎn)換。

PyPDF2

PyPDF2是一個(gè)第三方的python PDF庫(kù)，它能夠?qū)DF文件進(jìn)行分割、合并、裁剪和轉(zhuǎn)換頁(yè)面。

另外，它還可以對(duì)PDF文件添加自定義數(shù)據(jù)、水印、密碼，也可以從PDF文件中檢索出文本和元數(shù)據(jù)。

安裝

使用pip直接安裝：

$ pip install PyPDF2

下面就來(lái)演示幾項(xiàng)PDF編輯功能，并且會(huì)逐行解釋代碼的含義。

刪除PDF頁(yè)

先給出實(shí)現(xiàn)代碼，

from PyPDF2 import PdfFileWriter, PdfFileReader
output = PdfFileWriter()     // 1
input1 = PdfFileReader(open("example.pdf", "rb")) // 2
def delete_pdf(index):
 pages = input1.getNumPages() // 3
 for i in range(pages):
  if i+1 in index:
   continue
  output.addPage(input1.getPage(i))  // 4
 outputStream = open("PyPDF2-output.pdf", "wb")
 output.write(outputStream)  // 5
delete_pdf([2,3,4])

下面來(lái)解釋一下代碼中的幾個(gè)關(guān)鍵點(diǎn)：

1. 聲明一個(gè)用于輸出PDF的實(shí)例；

2. 讀取本地PDF文件；

3. 獲取PDF文檔的頁(yè)數(shù)；

4. 讀取PDF的第i頁(yè)，添加到輸出output實(shí)例中；

5. 把編輯后的文檔保存到本地；

合并PDF

已經(jīng)實(shí)現(xiàn)了刪除PDF頁(yè)，接下來(lái)就看一下如何把另外一個(gè)PDF中的頁(yè)面合并到當(dāng)前PDF中。

方法1：

可以沿著前面刪除PDF頁(yè)的方式進(jìn)行拓展一下，對(duì)PDF進(jìn)行合并。

from PyPDF2 import PdfFileWriter, PdfFileReader
output = PdfFileWriter()
input1 = PdfFileReader(open("example.pdf", "rb"))
input2 = PdfFileReader(open("simple2.pdf", "rb")) // 1
def merge_pdf(add_index, origin_index):
 pages = input1.getNumPages()
 k = 0
 for i in range(pages):
  if i+1 in add_index:
   output.addPage(input2.getPage(origin_index[k])) // 2
   pages += 1
   k += 1
  output.addPage(input1.getPage(i))
 outputStream = open("PyPDF2-output.pdf", "wb")
 output.write(outputStream)
merge_pdf([2,3,4], [0, 0, 0])

1. 讀取需要合并的源文件；

2. 遍歷到指定頁(yè)，合并源PDF的頁(yè)面；

方法2：

除了方法1，還有另外一種方法可以合并PDF：

from PyPDF2 import PdfFileMerger // 1
merger = PdfFileMerger()
input1 = open("document1.pdf", "rb") // 2
input2 = open("document2.pdf", "rb")
input3 = open("document3.pdf", "rb")
merger.append(fileobj = input1, pages = (0,3)) // 3
merger.merge(position = 2, fileobj = input2, pages = (0,1)) // 4
merger.append(input3) // 5
output = open("document-output.pdf", "wb")
merger.write(output)

1. 導(dǎo)入PyPDF2合并模塊PdfFileMerger;

2. 讀取需要處理和合并的PDF文檔；

3. 從第一個(gè)PDF文檔中取出需要合并的前3頁(yè)；

4. 把第二個(gè)PDF文檔的第一頁(yè)插入到文檔中；

5. 把第三個(gè)PDF文檔附到輸出文檔末尾；

除了上述介紹的2項(xiàng)主要功能，PyPDF2也有一些其他小功能：

旋轉(zhuǎn)

input1.getPage(1).rotateClockwise(90)

使得頁(yè)面1旋轉(zhuǎn)90度。

添加水印

page = input1.getPage(3)
watermark = PdfFileReader(open("watermark.pdf", "rb"))
page.mergePage(watermark.getPage(0))

其中，水印存儲(chǔ)在另外一個(gè)PDF文檔watermark.pdf中。

加密

password = "secret"
output.encrypt(password)

首先給一個(gè)secret密碼，然后使用encrypt對(duì)輸出文檔進(jìn)行加密。

pdfminer

前面介紹的PyPDF2主要擅長(zhǎng)于PDF頁(yè)面級(jí)編輯，而對(duì)于文本和源數(shù)據(jù)級(jí)別編輯能力較弱。

所以，這里就來(lái)介紹另外一款Python庫(kù)來(lái)彌補(bǔ)它的不足。

PDFMiner是一個(gè)PDF文檔的文本提取工具，它具有如下特性：

• 能夠準(zhǔn)確獲取文本的位置和布局信息；

• 可以將PDF轉(zhuǎn)換為HTML/XML等格式；

• 可以提取目錄；

• 可以提取標(biāo)簽內(nèi)容；

• 支持各種字體類型（Type1、TrueType、Type3和CID）;

• 支持中、日、韓語(yǔ)言和垂直書(shū)寫(xiě)文本;

安裝

$ pip install pdfminer

PDF轉(zhuǎn)TxT

pdfminer在GitHub的托管項(xiàng)目中，在目錄tools下給出了一些實(shí)用的工具集，例如，PDF轉(zhuǎn)HTML、PDF轉(zhuǎn)HTML、PDF轉(zhuǎn)TXT。我們可以直接通過(guò)使用下面命令提出PDF文檔中的文本信息。

$ pdf2txt.py samples/simple1.pdf

總結(jié)

通過(guò)上述2款Python庫(kù)，就可以實(shí)現(xiàn)從頁(yè)面到文本元數(shù)據(jù)的編輯，本文只是簡(jiǎn)單的介紹了每項(xiàng)的基本用法。關(guān)于詳細(xì)的用法和函數(shù)列表，可以閱讀官方文檔，或者閱讀GitHub上項(xiàng)目源碼進(jìn)行了解。此外，可以在這些基本的用法基礎(chǔ)上進(jìn)行發(fā)散思維，發(fā)掘更多有價(jià)值的應(yīng)用場(chǎng)景，例如，提出文本數(shù)據(jù)之后調(diào)用翻譯API進(jìn)行文獻(xiàn)翻譯。也可以，對(duì)軟件進(jìn)行封裝，開(kāi)發(fā)成一款通用的PDF編輯工具。