Библиотека PyPDF2 в Python
PyPDF2 – это библиотека Python для работы с файлами PDF. Мы можем использовать модуль PyPDF2 для работы с существующими файлами PDF, но мы не можем создать новый PDF-файл с помощью этого модуля.
Возможности PyPDF2
Некоторые из интересных особенностей модуля PyPDF2:
- Метаданные PDF-файлов, такие как количество страниц, автор, создатель, время создания и последнего обновления.
- Извлечение содержимого файла PDF постранично.
- Объедините несколько файлов PDF.
- Поворачивайте страницы PDF-файла на угол.
- Масштабирование страниц PDF.
- Извлечение изображений со страниц PDF и сохранение, как изображения с помощью библиотеки Pillow.
Установка модуля
Мы можем использовать PIP для установки модуля PyPDF2.
Примеры
Рассмотрим несколько примеров работы с файлами PDF с помощью модуля PyPDF2.
1. Извлечение метаданных PDF
Мы можем получить количество страниц в файле PDF. Мы также можем получить информацию об авторе PDF, приложении для создателя и датах создания.
import PyPDF2 with open('Python_Tutorial.pdf', 'rb') as pdf_file: pdf_reader = PyPDF2.PdfFileReader(pdf_file) print(f'Number of Pages in PDF File is ') print(f'PDF Metadata is ') print(f'PDF File Author is ') print(f'PDF File Creator is ') Number of Pages in PDF File is 2 PDF Metadata is PDF File Author is Microsoft Office User PDF File Creator is Microsoft Word
- Файл PDF должен быть открыт в двоичном режиме. Вот почему режим открытия файла передается, как ‘rb’.
- Класс PdfFileReader используется для чтения файла PDF.
- DocumentInfo – это словарь, содержащий метаданные файла PDF.
- Мы можем получить количество страниц в файле PDF с помощью функции getNumPages(). Альтернативный способ – использовать атрибут numPages.
2. Извлечение текста из PDF-страниц
import PyPDF2 with open('Python_Tutorial.pdf', 'rb') as pdf_file: pdf_reader = PyPDF2.PdfFileReader(pdf_file) # printing first page contents pdf_page = pdf_reader.getPage(0) print(pdf_page.extractText()) # reading all the pages content one by one for page_num in range(pdf_reader.numPages): pdf_page = pdf_reader.getPage(page_num) print(pdf_page.extractText()) - Метод getPage (int) PdfFileReader возвращает экземпляр PyPDF2.pdf.PageObject.
- Мы можем вызвать метод extractText() для объекта страницы, чтобы получить текстовое содержимое страницы.
- ExtractText() не возвращает двоичных данных, таких как изображения.
3. Поворот страниц файла PDF
PyPDF2 допускает множество типов манипуляций, которые могут выполняться постранично. Мы можем повернуть страницу по часовой стрелке или против часовой стрелки на угол.
import PyPDF2 with open('Python_Tutorial.pdf', 'rb') as pdf_file: pdf_reader = PyPDF2.PdfFileReader(pdf_file) pdf_writer = PyPDF2.PdfFileWriter() for page_num in range(pdf_reader.numPages): pdf_page = pdf_reader.getPage(page_num) pdf_page.rotateClockwise(90) # rotateCounterClockwise() pdf_writer.addPage(pdf_page) with open('Python_Tutorial_rotated.pdf', 'wb') as pdf_file_rotated: pdf_writer.write(pdf_file_rotated) - PdfFileWriter используется для записи файла PDF из исходного PDF.
- Мы используем метод rotateClockwise (90), чтобы повернуть страницу по часовой стрелке на 90 градусов.
- Мы добавляем повернутые страницы в экземпляр PdfFileWriter.
- Наконец, для создания повернутого файла PDF используется метод write() класса PdfFileWriter.
4. Объединение файлов PDF
import PyPDF2 pdf_merger = PyPDF2.PdfFileMerger() pdf_files_list = ['Python_Tutorial.pdf', 'Python_Tutorial_rotated.pdf'] for pdf_file_name in pdf_files_list: with open(pdf_file_name, 'rb') as pdf_file: pdf_merger.append(pdf_file) with open('Python_Tutorial_merged.pdf', 'wb') as pdf_file_merged: pdf_merger.write(pdf_file_merged) Приведенный выше код подходит для объединения файлов PDF, но он создал пустой PDF-файл. Причина в том, что исходные файлы PDF были закрыты до того, как произошла фактическая запись для создания объединенного файла PDF.
Это ошибка последней версии PyPDF2. Вы можете прочитать об этом в выпуске GitHub.
Существует альтернативный подход к использованию модуля contextlib, чтобы исходные файлы оставались открытыми до завершения операции записи.
import contextlib import PyPDF2 pdf_files_list = ['Python_Tutorial.pdf', 'Python_Tutorial_rotated.pdf'] with contextlib.ExitStack() as stack: pdf_merger = PyPDF2.PdfFileMerger() files = [stack.enter_context(open(pdf, 'rb')) for pdf in pdf_files_list] for f in files: pdf_merger.append(f) with open('Python_Tutorial_merged_contextlib.pdf', 'wb') as f: pdf_merger.write(f) 5. Разделение PDF-файлов на одностраничные файлы
import PyPDF2 with open('Python_Tutorial.pdf', 'rb') as pdf_file: pdf_reader = PyPDF2.PdfFileReader(pdf_file) for i in range(pdf_reader.numPages): pdf_writer = PyPDF2.PdfFileWriter() pdf_writer.addPage(pdf_reader.getPage(i)) output_file_name = f'Python_Tutorial_.pdf' with open(output_file_name, 'wb') as output_file: pdf_writer.write(output_file) Python_Tutorial.pdf состоит из 2 страниц. Выходные файлы называются Python_Tutorial_0.pdf и Python_Tutorial_1.pdf.
6. Извлечение изображений
Мы можем использовать PyPDF2 вместе с Pillow (Python Imaging Library) для извлечения изображений со страниц PDF и сохранения их в виде файлов изображений.
Прежде всего, вам нужно будет установить модуль Pillow, используя следующую команду.
Вот простая программа для извлечения изображений с первой страницы файла PDF. Мы можем легко расширить его, чтобы извлечь все изображения из файла PDF.
import PyPDF2 from PIL import Image with open('Python_Tutorial.pdf', 'rb') as pdf_file: pdf_reader = PyPDF2.PdfFileReader(pdf_file) # extracting images from the 1st page page0 = pdf_reader.getPage(0) if '/XObject' in page0['/Resources']: xObject = page0['/Resources']['/XObject'].getObject() for obj in xObject: if xObject[obj]['/Subtype'] == '/Image': size = (xObject[obj]['/Width'], xObject[obj]['/Height']) data = xObject[obj].getData() if xObject[obj]['/ColorSpace'] == '/DeviceRGB': mode = "RGB" else: mode = "P" if '/Filter' in xObject[obj]: if xObject[obj]['/Filter'] == '/FlateDecode': img = Image.frombytes(mode, size, data) img.save(obj[1:] + ".png") elif xObject[obj]['/Filter'] == '/DCTDecode': img = open(obj[1:] + ".jpg", "wb") img.write(data) img.close() elif xObject[obj]['/Filter'] == '/JPXDecode': img = open(obj[1:] + ".jp2", "wb") img.write(data) img.close() elif xObject[obj]['/Filter'] == '/CCITTFaxDecode': img = open(obj[1:] + ".tiff", "wb") img.write(data) img.close() else: img = Image.frombytes(mode, size, data) img.save(obj[1:] + ".png") else: print("No image found.") В моем примере файла PDF на первой странице есть изображение PNG, и программа сохранила его с именем файла «image20.png».