logo

TechCodeview

Работа с PDF файлове в Python

Всички вие трябва да сте запознати с това какво представляват PDF файловете. Всъщност те са една от най-важните и широко използвани цифрови медии. PDF означава Преносим формат на документи . То използва .pdf разширение. Използва се за надеждно представяне и обмен на документи, независимо от софтуерния хардуер или операционната система.
Изобретен от Adobe PDF вече е отворен стандарт, поддържан от Международната организация по стандартизация (ISO). PDF файловете могат да съдържат връзки и бутони, полета, аудио, видео и бизнес логика.
В тази статия ще научим как можем да извършваме различни операции като:
 

  • Извличане на текст от PDF
  • Завъртане на PDF страници
  • Обединяване на PDF файлове
  • Разделяне на PDF
  • Добавяне на воден знак към PDF страници

Инсталация: Използване на прости скриптове на Python!
Ще използваме модул pypdf на трета страна.
pypdf е библиотека на Python, създадена като PDF инструментариум. Способен е на:
 

  • Извличане на информация за документа (заглавие автор...)
  • Разделяне на документи страница по страница
  • Обединяване на документи страница по страница
  • Изрязване на страници
  • Обединяване на няколко страници в една страница
  • Шифроване и декриптиране на PDF файлове
  • и повече!

За да инсталирате pypdf, изпълнете следната команда от командния ред:



pip install pypdf

Името на този модул е ​​чувствително към малки и големи букви, така че се уверете, че и е с малки букви, а всичко останало е с главни букви. Всички кодове и PDF файлове, използвани в този урок/статия, са налични тук .

замени низ в низ java

1. Извличане на текст от PDF файл

Python 
# importing required classes from pypdf import PdfReader # creating a pdf reader object reader = PdfReader('example.pdf') # printing number of pages in pdf file print(len(reader.pages)) # creating a page object page = reader.pages[0] # extracting text from page print(page.extract_text())

Резултатът от горната програма изглежда така:
 

20  
PythonBasics  
S.R.Doty  
August272008  
Contents  
  
1Preliminaries  
4  
1.1WhatisPython?...................................  
..4  
1.2Installationanddocumentation....................  
.........4     [and some more lines...]

Нека се опитаме да разберем горния код на части:
 

reader = PdfReader('example.pdf')
  • Тук създаваме обект на PdfReader клас на pypdf модул и предава пътя към PDF файла и получава обект на PDF четец.
     
print(len(reader.pages))
  • страници дава броя на страниците в PDF файла. Например в нашия случай е 20 (вижте първия ред на изхода).
     
pageObj = reader.pages[0]
  • Сега създаваме обект на PageObject клас на pypdf модул. Обектът за четене на PDF има функция страници[] който приема номера на страница (започвайки от индекс 0) като аргумент и връща обекта на страницата.
     
print(pageObj.extract_text())
  • Обектът на страницата има функция екстракт_текст () за извличане на текст от PDF страницата.


Забележка: Въпреки че PDF файловете са страхотни за оформяне на текст по начин, който е лесен за отпечатване и четене от хората, софтуерът не ги анализира лесно в обикновен текст. Като такъв pypdf може да направи грешки при извличане на текст от PDF и дори може изобщо да не може да отвори някои PDF файлове. За съжаление не можете да направите много по въпроса. pypdf може просто да не може да работи с някои от вашите конкретни PDF файлове.

недетерминирани крайни автомати

2. Завъртане на PDF страници
 

Python 
# importing the required classes from pypdf import PdfReader PdfWriter def PDFrotate(origFileName newFileName rotation): # creating a pdf Reader object reader = PdfReader(origFileName) # creating a pdf writer object for new pdf writer = PdfWriter() # rotating each page for page in range(len(reader.pages)): pageObj = reader.pages[page] pageObj.rotate(rotation) # Add the rotated page object to the PDF writer writer.add_page(pageObj) # Write the rotated pages to the new PDF file with open(newFileName 'wb') as newFile: writer.write(newFile) def main(): # original pdf file name origFileName = 'example.pdf' # new pdf file name newFileName = 'rotated_example.pdf' # rotation angle rotation = 270 # calling the PDFrotate function PDFrotate(origFileName newFileName rotation) if __name__ == '__main__': # calling the main function main()

Тук можете да видите как първата страница на rotated_example.pdf изглежда (дясно изображение) след завъртане:

Завъртане на pdf файл' title=

string.compare c#

Някои важни точки, свързани с горния код:
 

  • За ротация първо създаваме обект на PDF четец на оригиналния PDF.
writer = PdfWriter()
  • Завъртените страници ще бъдат записани в нов PDF файл. За писане в PDF файлове използваме обекта на PdfWriter клас на pypdf модул.
for page in range(len(pdfReader.pages)):  
 pageObj = pdfReader.pages[page]  
 pageObj.rotate(rotation)  
 writer.add_page(pageObj)
  • Сега итерираме всяка страница от оригиналния PDF файл. Получаваме обект на страница от .страници[] метод на клас PDF четец. Сега завъртаме страницата с завъртане () метод на клас обект на страница. След това добавяме страница към обекта за писане на PDF с помощта на добави () метод на класа на PDF writer чрез предаване на обекта на завъртяната страница.
newFile = open(newFileName 'wb')  
writer.write(newFile)  
newFile.close()
  • Сега трябва да запишем PDF страниците в нов PDF файл. Първо отваряме новия файлов обект и записваме PDF страници в него с помощта на пиши() метод на обект за писане на PDF. Накрая затваряме оригиналния PDF файлов обект и новия файлов обект.

3. Обединяване на PDF файлове

Python 
# importing required modules from pypdf import PdfWriter def PDFmerge(pdfs output): # creating pdf file writer object pdfWriter = PdfWriter() # appending pdfs one by one for pdf in pdfs: pdfWriter.append(pdf) # writing combined pdf to output pdf file with open(output 'wb') as f: pdfWriter.write(f) def main(): # pdf files to merge pdfs = ['example.pdf' 'rotated_example.pdf'] # output pdf file name output = 'combined_example.pdf' # calling pdf merge function PDFmerge(pdfs=pdfs output=output) if __name__ == '__main__': # calling the main function main()

Резултатът от горната програма е комбиниран PDF комбиниран_пример.pdf получени чрез сливане пример.pdf и rotated_example.pdf .
 

  • Нека да разгледаме важните аспекти на тази програма:
     
pdfWriter = PdfWriter()
  • За сливане използваме предварително изграден клас PdfWriter на pypdf модул.
    Тук създаваме обект pdfwriter от класа на PDF писател
 # appending pdfs one by one  
 for pdf in pdfs:  
 pdfWriter.append(pdf)
  • Сега добавяме файлов обект на всеки PDF към PDF записващ обект, като използваме добавям () метод.
 # writing combined pdf to output pdf file  
 with open(output 'wb') as f:  
 pdfWriter.write(f)
  • Накрая записваме PDF страниците в изходния PDF файл с помощта на пишете метод на обект за писане на PDF.

4. Разделяне на PDF файл

Python 
# importing the required modules from pypdf import PdfReader PdfWriter def PDFsplit(pdf splits): # creating pdf reader object reader = PdfReader(pdf) # starting index of first slice start = 0 # starting index of last slice end = splits[0] for i in range(len(splits)+1): # creating pdf writer object for (i+1)th split writer = PdfWriter() # output pdf file name outputpdf = pdf.split('.pdf')[0] + str(i) + '.pdf' # adding pages to pdf writer object for page in range(startend): writer.add_page(reader.pages[page]) # writing split pdf pages to pdf file with open(outputpdf 'wb') as f: writer.write(f) # interchanging page split start position for next split start = end try: # setting split end position for next split end = splits[i+1] except IndexError: # setting split end position for last split end = len(reader.pages) def main(): # pdf file to split pdf = 'example.pdf' # split page positions splits = [24] # calling PDFsplit function to split pdf PDFsplit(pdf splits) if __name__ == '__main__': # calling the main function main()

Резултатът ще бъде три нови PDF файла с раздел 1 (страница 01) раздел 2 (страница 23) раздел 3 (страница 4-край) .
В горната програма на Python не е използвана нова функция или клас. Използвайки проста логика и итерации, създадохме разделянето на преминалите PDF файлове според списъка с преминали разделя се .

речник c#

5. Добавяне на воден знак към PDF страници

Python 
# importing the required modules from pypdf import PdfReader PdfWriter def add_watermark(wmFile pageObj): # creating pdf reader object of watermark pdf file reader = PdfReader(wmFile) # merging watermark pdf's first page with passed page object. pageObj.merge_page(reader.pages[0]) # returning watermarked page object return pageObj def main(): # watermark pdf file name mywatermark = 'watermark.pdf' # original pdf file name origFileName = 'example.pdf' # new pdf file name newFileName = 'watermarked_example.pdf' # creating pdf File object of original pdf pdfFileObj = open(origFileName 'rb') # creating a pdf Reader object reader = PdfReader(pdfFileObj) # creating a pdf writer object for new pdf writer = PdfWriter() # adding watermark to each page for page in range(len(reader.pages)): # creating watermarked page object wmpageObj = add_watermark(mywatermark reader.pages[page]) # adding watermarked page object to pdf writer writer.add_page(wmpageObj) # writing watermarked pages to new file with open(newFileName 'wb') as newFile: writer.write(newFile) # closing the original pdf file object pdfFileObj.close() if __name__ == '__main__': # calling the main function main()

Ето как изглежда първата страница на оригиналния (вляво) и водния знак (вдясно) PDF файл:
 

Воден знак на pdf файл' loading='lazy' title=

  • Целият процес е същият като примера за ротация на страницата. Единствената разлика е:
     
wmpageObj = add_watermark(mywatermark pdfReader.pages[page])
  • Обектът на страница се преобразува в обект на страница с воден знак с помощта на add_watermark() функция.
  • Нека се опитаме да разберем add_watermark() функция:
     
 reader = PdfReader(wmFile)  
 pageObj.merge_page(reader.pages[0])  
 return pageObj
  • Преди всичко създаваме обект на PDF четец на воден знак.pdf . Към обекта на преминалата страница, който използваме merge_page() функция и предаване на обекта на страницата на първата страница на обекта на PDF четец с воден знак. Това ще наслагва водния знак върху преминатия обект на страницата.


И тук стигнахме до края на този дълъг урок за работа с PDF файлове в Python.
Сега можете лесно да създадете свой собствен PDF мениджър!
препратки:
 

  • https://automatetheboringstuff.com/chapter13/
  • https://pypi.org/project/pypdf/

Ако харесвате GeeksforGeeks и искате да допринесете, можете също да напишете статия, като използвате write.geeksforgeeks.org или да изпратите статията си по пощата на [email protected]. Вижте вашата статия да се появява на главната страница на GeeksforGeeks и помогнете на други маниаци.
Моля, пишете коментари, ако откриете нещо неправилно или ако искате да споделите повече информация по темата, обсъдена по-горе.
 

Създаване на тест