PyPDF3库的使用

简介

PyPDF3 是一个用于处理 PDF 文件的 Python 库，它提供了读取、写入和操作 PDF 文件的功能。

主要功能

1. 读取 PDF 文件：

   • 读取 PDF 文件的内容和元数据。

   • 提取文本、图像和其他内容。

2. 写入 PDF 文件：

   • 创建新的 PDF 文件。

   • 合并多个 PDF 文件。

   • 添加文本、图像和其他内容到 PDF 文件。

3. 操作 PDF 文件：

   • 拆分 PDF 文件。

   • 旋转、裁剪和缩放页面。

   • 加密和解密 PDF 文件。

安装 

pip install PyPDF3

 使用案例

1.读取PDF文件的元数据

import PyPDF3

def extract_pdf_metadata(pdf_path):
    # 打开 PDF 文件
    with open(pdf_path, 'rb') as file:
        # 创建一个 PDF 阅读器对象
        reader = PyPDF3.PdfFileReader(file)

        # 获取 PDF 文件的元数据
        metadata = reader.getDocumentInfo()

        # 提取并打印元数据
        pdf_info = {
            'Title': metadata.get('/Title', 'N/A'),
            'Author': metadata.get('/Author', 'N/A'),
            'Creator': metadata.get('/Creator', 'N/A'),
            'Producer': metadata.get('/Producer', 'N/A'),
            'CreationDate': metadata.get('/CreationDate', 'N/A'),
            'ModDate': metadata.get('/ModDate', 'N/A'),
            'Subject': metadata.get('/Subject', 'N/A'),
            'Keywords': metadata.get('/Keywords', 'N/A')
        }

        return pdf_info

# 使用示例
pdf_path = 'FF.pdf'  # 替换为你的 PDF 文件路径
pdf_metadata = extract_pdf_metadata(pdf_path)

for key, value in pdf_metadata.items():
    print(f"{key}: {value}")

2.提取PDF文件文本内容

import PyPDF3

def extract_text_from_pdf(pdf_path):
    with open(pdf_path, 'rb') as file:
        reader = PyPDF3.PdfFileReader(file)
        text = ''

        for page_num in range(reader.numPages):
            page = reader.getPage(page_num)
            text += page.extract_text()

        return text

pdf_path = 'FF.pdf'
pdf_text = extract_text_from_pdf(pdf_path)
print(pdf_text)

3.合并多个PDF文件

import PyPDF3

def merge_pdfs(pdf_paths, output_path):
    merger = PyPDF3.PdfFileMerger()

    for pdf_path in pdf_paths:
        with open(pdf_path, 'rb') as file:
            merger.append(file)

    with open(output_path, 'wb') as output_file:
        merger.write(output_file)

pdf_paths = ['FF.pdf', 'NCL.pdf', 'HZC.pdf']
output_path = 'merged.pdf'
merge_pdfs(pdf_paths, output_path)

常见字段

常见元数据字段

以下是一些常见的 PDF 元数据字段及其含义：

• /Title: 文档标题。

• /Author: 文档作者。

• /Creator: 创建文档的应用程序。

• /Producer: 生成 PDF 文件的应用程序。

• /CreationDate: 文档创建日期。

• /ModDate: 文档修改日期。

• /Subject: 文档主题。

• /Keywords: 文档关键词。

注意事项

• 元数据字段可能为空：某些 PDF 文件可能没有包含所有元数据字段，因此在使用 metadata.get() 方法时，需要提供默认值（如 'N/A'）。。