Python 语言中 PDF 文档的常见操作

Python 可以对 PDF 文档进行多种操作，包括但不限于以下几种：

1. 读取 PDF 内容：使用 PDF 解析库（如 PyPDF2、pdfplumber 和 fitz 等）可以读取 PDF 文档的文本内容，从而进行文本提取、搜索、分析等操作。这在需要对大量 PDF 文档进行自动化处理、数据挖掘、文本分析等场景中非常有用。

# get_pdf_text.py
# 简单使用了 PyPDF2、pdfplumber 和 fitz 包，
# 来分别获取 example.pdf 中文字部分的信息

# 安装依赖
# pip install PyPDF2
# pip install pdfplumber
# pip install pymupdf

# 运行脚本
# python get_pdf_text.py

import PyPDF2

with open('example.pdf', 'rb') as file:
    reader = PyPDF2.PdfReader(file)
    for page_num in range(len(reader.pages)):
        page = reader.pages[page_num]
        text = page.extract_text()
        print(f'Page {page_num+1}: {text}')

import pdfplumber

with pdfplumber.open('example.pdf') as pdf:
    for page_num in range(len(pdf.pages)):
        page = pdf.pages[page_num]
        text = page.extract_text()
        print(f'Page {page_num+1}: {text}')

import fitz

with fitz.open('example.pdf') as doc:
    for page_num in range(doc.page_count):
        page = doc.load_page(page_num)
        text = page.get_text("text")
        print(f'Page {page_num+1}: {text}')

2. 提取图像和图表：使用 PDF 解析库可以提取 PDF 文档中的图像和图表，用于图像处理、数据可视化、机器学习等任务。这对于从报告、文档中提取图像数据或生成图像摘要非常有用。

# get_pdf_image.py

# 运行脚本
# python get_pdf_image.py

import fitz

pdf = fitz.open('example.pdf')
for page_num in range(len(pdf)):
    page = pdf[page_num]
    image_list = page.get_images()
    for image_index, img in enumerate(image_list):
        xref = img[0]
        base_image = pdf.extract_image(xref)
        image_data = base_image["image"]
        with open(f'image_{page_num}_{image_index}.png', 'wb') as file:
            file.write(image_data)

# get_pdf_table.py

# 运行脚本
# python get_pdf_table.py

import pdfplumber

read_path = r'table.pdf'
pdf = pdfplumber.open(read_path)
for page in pdf.pages:
    table = page.extract_table()
    print(table)

3. PDF加密和解密：使用 PDF 库可以对 PDF 文档进行加密和解密，保护文档的机密性。这对于保护敏感信息的 PDF 文档非常有用，如合同、报告等。

# crypt_decrpt_pdf.py

# 运行脚本
# python crypt_decrpt_pdf.py

import PyPDF2

# 加密 pdf
input_pdf = "table.pdf"
output_pdf = "encrypted.pdf"
password = "654321"

with open(input_pdf, "rb") as file:
    pdf_reader = PyPDF2.PdfReader(file)
    pdf_writer = PyPDF2.PdfWriter()

    for page_num in range(len(pdf_reader.pages)):
        pdf_writer.add_page(pdf_reader.pages[page_num])

    pdf_writer.encrypt(password)

    with open(output_pdf, "wb") as output:
        pdf_writer.write(output)

# 解密 pdf
encrypted_pdf = "encrypted.pdf"
decrypted_pdf = "decrypted.pdf"

with open(encrypted_pdf, "rb") as file:
    pdf_reader = PyPDF2.PdfReader(file)
    pdf_writer = PyPDF2.PdfWriter()

    if pdf_reader.is_encrypted:
        pdf_reader.decrypt(password)

    for page_num in range(len(pdf_reader.pages)):
        pdf_writer.add_page(pdf_reader.pages[page_num])

    with open(decrypted_pdf, "wb") as output:
        pdf_writer.write(output)

这些操作使得 Python 在处理 PDF文档时非常灵活和强大，适用于各种场景，包括但不限于：自动化文档处理、数据挖掘和分析、报告生成、合同管理、电子书制作、数据收集和处理等。