不再为处理PDF烦恼，python处理操作PDF全攻略-office2007免费

本篇聊下Python对pdf的各种操作，包含pdf转word，pdf转图片，pdf翻转，加密，加水印等。

pdf转换word文档 保留格式

pdf转换为word文档，被大众经常使用的是纯Python库pdfminer和python-docx搭配使用，不过pdfminer转换成word，会丢失原来的pdf格式（图片和样式会丢失），只能是一个纯文本的。

比如下面是一个pdf文档，是一个目录索引样式。

使用pdfminer和python-docx转换的话样式会丢失，如下。

为了研究怎么保留样式，我花了好些时间，最终测试验证了一种能接受的方案：使用libreoffice

libreoffice是一个免费的办公软件，能打开和操作docx,ppt,pdf等，提供不同文档格式之间的转换，而且支持命令行。

支持命令行的话，我们就能通过python的os.system()等方法调用libreoffice软件去做文档转换工作了。

首先要安装libreoffice:

下载地址如下：

https://zh-cn.libreoffice.org/download/libreoffice-still/

windows,linux,max三种版本都有。

安装成功后，在libreoffice/program 目录下面有个soffice.exe命令，我们就是用python调用soffice来做pdf和word转换。来测试一下pdf转word功能。

import os
os.system('D:\\Program Files\\libreoffice\\program\\soffice --infilter=writer_pdf_import --convert-to docx D:\\code\\pdf\\ss.pdf --outdir D:\\code\\pdf')

上面的命令是把ss.pdf 转换成docx格式，保存在D:\\code\\pdf\\ 目录里，文件名是跟pdf同名，只是文件会变成.docx 。

来打开转换后的docx文档看一下，样式保留得还可以，要用office2007以上版本打开，office2003的打开样式有问题。

libreoffice转换的缺点是，不报错，你不知道是否转换成功。还有表格和多图的转换还有瑕疵。转换耗时会随着文档页数快速增加。

pdf转word文档 不保留格式

不保留格式，只需要文本的话，就直接使用 pdfminer和python-docx两个库搭配就好。pdfminer把pdf里的文字内容抽取出来，python-docx负责把抽取出来的写进word文档里。

from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfinterp import process_pdf
from io import StringIOf
from docx import Document
def remove_characters(content):
 mpa = dict.fromkeys(range(32))
 return content.translate(mpa)
 
def convert_pdf_to_txt(path):
 with open(path,'rb') as f:
 rsrcmgr = PDFResourceManager()
 retstr = StringIO()
 laparams = LAParams()
 device = TextConverter(rsrcmgr, retstr, laparams=laparams)
 
 process_pdf(rsrcmgr, device, f)
 text = retstr.getvalue()
 device.close()
 retstr.close()
 return text
 
def convert_txt_to_doc(text, doc_path):
 doc = Document()
 for line in text.split('\\n'):
 paragraph = doc.add_paragraph()
 paragraph.add_run(remove_characters(line))
 doc.save(doc_path)
def convert():
 text = convert_pdf_to_txt('d:/sphinx_doc_zhcn.pdf')
 convert_txt_to_doc(text, 'd:/test.docx')
convert()

写进word文档之前要把内容split分行，不然内容全都在一行，没有段落。还有要删掉一些乱七八糟的控制字符，不然保存word文档的时候要报错。

当然你需要使用pip install pdfminer 和 python-docx 这两个库。

pdf转图片

把pdf转换成图片的方案很多，比如wand库、PythonMagick等都能实现，pdf转图片的方案选择主要是考虑转换性能和图片质量上。转换一个几百K的pdf文档分辨不出哪个好使，如果是批量转换成百上千个pdf文档，又或者是转换一个几十M大小的pdf文档时就有优劣。

如果想程序简单和转换后的图片质量还OK，可使用pdf2image + Poppler 方案。Poppler 是一个处理pdf文档很有用的库，支持windows/linux/mac 。pdf2image是一个wrapper，提供调用Poppler的python接口。

首先要下载Poppler

https://blog.alivate.com.au/poppler-windows/

windows用户下载带x86字样的。

下载解压后，要把poppler下的bin目录绝对路劲加入到系统环境变量里，

比如我的是 D:\\Program Files\\poppler-0.68.0\\bin ，要加入到系统环境变量Path变量里。不然pdf2image不知道去哪儿调用poppler。

然后安装pdf2image

pip install pdf2image

最后调用运行

from pdf2image import convert_from_path
pages = convert_from_path('D:/test/18.pdf')
for i, page in enumerate(pages):
 page.save('D:/test/18_{}.jpg'.format(str(i)), 'JPEG')

不过这种方法要处理十几M以上的pdf时，我亲测慢如蜗牛，内存还可能不够。处理大文件可以使用ghostscript，也是一个c程序，速度还过得去，我用它一次批处理数千个十几M pdf文档也花了好几个小时。这里就不再赘述如何使用ghostscript了。

读取pdf文档元信息

比如获取文档作者，主题，创作时间，文档页数等等。

这里使用经典的PyPDF2库来操作，下面的操作都PyPDF2完成，当然你需要先安装，

pip install PyPDF2

from PyPDF2 import PdfFileReader
def extract_information(pdf_path):
 with open(pdf_path, 'rb') as f:
 pdf = PdfFileReader(f) 
 information = pdf.getDocumentInfo() 
 number_of_pages = pdf.getNumPages() 
 
 txt = f""" Information about {pdf_path}:
 Author: {information.author}
 Creator: {information.creator}
 Producer: {information.producer}
 Subject: {information.subject}
 Title: {information.title}
 Number of pages: {number_of_pages}
 """
 print(txt)
 return
extract_information('D:/download/zj/2018.pdf')

翻转pdf

对pdf文档向左向右翻转90度，并保存为一个新的文档。

from PyPDF2 import PdfFileReader, PdfFileWriter
def rotate_pages(pdf_path):
 # 新建一个空白pdf 
 pdf_writer = PdfFileWriter()
 
 # 读取要翻转的pdf
 pdf_reader = PdfFileReader(path)
 
 # 把pdf第一页向右翻转90度并写入新建的空白pdf里 
 page_1 = pdf_reader.getPage(0).rotateClockwise(90) 
 pdf_writer.addPage(page_1)
 
 # 把pdf第二页向左翻转90度并写入新建的空白pdf里 
 page_2 = pdf_reader.getPage(1).rotateCounterClockwise(90) 
 pdf_writer.addPage(page_2)
 
 # 把pdf第三页不翻转正常写入 
 pdf_writer.addPage(pdf_reader.getPage(2))
 
 # 把新建的pdf文档保存到本地
 with open('D:/download/rotate_pages.pdf', 'wb') as fh:
 pdf_writer.write(fh)
 
rotate_pages('D:/download/zj/18.pdf')

从上面读取pdf文档元信息和翻转pdf可以看出，操作PyPDF2来读取和写入pdf的方法分别是PdfFileReader和PdfFileWriter

合并pdf文档

把多个pdf文档合并成一个，操作方法也很简单，仍然是先使用PdfFileReader方法读取pdf每一个页面，然后用PdfFileWriter写入一个到新的pdf文档中。

from PyPDF2 import PdfFileReader, PdfFileWriter
def merge_pdfs(paths, output):
 pdf_writer = PdfFileWriter()
 for path in paths:
 pdf_reader = PdfFileReader(path)
 for page in range(pdf_reader.getNumPages()): 
 pdf_writer.addPage(pdf_reader.getPage(page))
 
 with open(output, 'wb') as out:
 pdf_writer.write(out)
 
paths = ['d:/test/1.pdf', 'd:/test/2.pdf']
merge_pdfs(paths, output='d:/test/merged.pdf')

拆分pdf分档

把一个pdf文档拆分成多个，操作思路都差不多，先用PdfFileReader读取pdf文档，再用PdfFileWriter把每一页写入新的。

下面的例子是把一个pdf文档每一页都拆分成一个pdf文档，按文件页数来命令新的文档。

from PyPDF2 import PdfFileReader, PdfFileWriter
def split(path):
 pdf = PdfFileReader(path)
 for page in range(pdf.getNumPages()):
 pdf_writer = PdfFileWriter()
 pdf_writer.addPage(pdf.getPage(page)) 
 
 output = f'{page}.pdf'
 with open(output, 'wb') as output_pdf:
 pdf_writer.write(output_pdf)
split('d:/test/test.pdf')

给pdf文档添加水映

可以调用mergePage()方法给pdf文档加水印，PyPDF2的操作方法是把一个水印pdf文档(这个pdf文档里只有水印，水印可以是文字或图片)，重叠到待加水印的pdf文档中，其实就是把两个pdf页面重叠在一起。

如下程序是给每一个页面都加上水印。

from PyPDF2 import PdfFileWriter, PdfFileReader
def create_watermark(input_pdf, output, watermark):
 #读取只有水印的那个文档
 watermark_obj = PdfFileReader(watermark)
 watermark_page = watermark_obj.getPage(0)
 
 # 读取待加水印的文档
 pdf_reader = PdfFileReader(input_pdf)
 pdf_writer = PdfFileWriter() 
 
 # 给每一个页面都加上水印
 for page in range(pdf_reader.getNumPages()): 
 page = pdf_reader.getPage(page) 
 page.mergePage(watermark_page) 
 pdf_writer.addPage(page) 
 
 # 保存为新的文档
 with open(output, 'wb') as out:
 pdf_writer.write(out)
create_watermark(input_pdf='D:/code/pdf/sphinx.pdf', 
 output='D:/code/pdf/watermarked_sphinx.pdf',
 watermark='D:/download/zj/watermark.pdf')

给pdf文档加密

给你一个pdf文档加密也很简单，调用encrypt()方法即可。

from PyPDF2 import PdfFileWriter, PdfFileReader
def add_encryption(input_pdf, output_pdf, password):
 pdf_writer = PdfFileWriter() 
 pdf_reader = PdfFileReader(input_pdf) 
 for page in range(pdf_reader.getNumPages()): 
 pdf_writer.addPage(pdf_reader.getPage(page))
 
 # 加密 
 pdf_writer.encrypt(user_pwd=password, owner_pwd=None, use_128bit=True)
 with open(output_pdf, 'wb') as fh: 
 pdf_writer.write(fh)
add_encryption(input_pdf='no_password.pdf',
 output_pdf='password.pdf',
 password='yuanrenxue')

加密之后，如何解密打开呢？

from PyPDF2 import PdfFileReader
pdfFile = open('password.pdf','rb')
pdfReader = PdfFileReader(pdfFile) 
#为True表示是加密文档 yuanrenxue 是密码
if pdfReader.isEncrypted: 
 pdfReader.decrypt('yuanrenxue')

上面可以看出，PyPDF2库是不能对pdf文本内容进行写操作，只能对pdf文档进行读取，页面拷贝，加解密，新建pdf文档操作。