最全总结！聊聊 Python 操作PDF的几种方法

作者 | 陈熹

来源 | 早起Python

前言

本文主要涉及：

os 模块综合应用
glob 模块综合应用
PyPDF2 模块操作

基本操作

PyPDF2 导入模块的代码常常是：

from PyPDF2 import PdfFileReader, PdfFileWriter

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：

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, PdfFileWriterpath = 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)

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))

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 globfor file in glob.glob(path + '/*.pdf'):    pdf_reader = PdfFileReader(path)

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

拆分

如果明白了合并操作中读取器和写入器的配合，那么拆分就很好理解了，这里我们以拆分INV1.pdf为2个单独的pdf文档为例，同样也先来捋一捋逻辑：

读取器读取PDF文档
读取器一页一页交给写入器
写入器每获取一页就立即输出

通过这个代码逻辑我们也可以明白，写入器初始化和输出的位置一定都在读取PDF循环每一页的循环体内，而不是在循环体外

代码很简单：

from PyPDF2 import PdfFileReader, PdfFileWriterpath = r'C:\Users\xxx'pdf_reader = PdfFileReader(path + '\INV1.pdf')for page in range(pdf_reader.getNumPages()):# 遍历到每一页挨个生成写入器    pdf_writer = PdfFileWriter()    pdf_writer.addPage(pdf_reader.getPage(page))# 写入器被添加一页后立即输出产生pdfwith open(path + '\INV1-{}.pdf'.format(page + 1), 'wb') as out:        pdf_writer.write(out)

水印