Python中pdfplumber与pypdf2库如何对pdf进行操作

介绍

最近一个小demo需要对PDF进行操作，于是一不做而不休本着人人为我，我为人人的角度写我在做PDF操作时候用到的方法，同时也相当于给自己做知识普及，
pypdf2模块：
可以读取、写入、分割、合并PDF文件，需要单独安装

pdfplumber模块：
为了更好的读取PDF文件内容
可以提取PDF中的表格

因此若处理对象是PDF文档本身，则推荐使用pypdf2，如对 PDF 文档进行分割,合并, 插入等操作。
若处理对象是 PDF 文档中的文本，表格等内容，则推荐使用 pdfplumber。

pdfplumber使用方法

pdfplumber库按页处理 pdf ，获取PDF中的每个文本字符、矩形和行的详细信息，以及可以进行表格提取和可视化调试。主要应用于机器生成的PDF上，而非扫描的pdf文档。
具体介绍地址：https://github.com/jsvine/pdfplumber

安装

1. RPM式系统（Redhat、CentOS）

pip install pdfplumber

2. DEB式系统（Debian、Ubuntu）以下任一

pip install pdfplumber
apt install python-pdfplumber

3. Windows

pip install pdfplumber

然后进行测试，如果能够正常显示则表明倒入成功。

使用

简单样例

import pdfplumber
with pdfplumber.open("test.pdf") as pdf:
    first_page = pdf.pages[0]
    print(first_page.chars[0])

其中：pdfplumber提供了两种读取pdf的方式：

pdfplumber.open("test.pdf")
pdfplumber.load(file_like_object)

这两种方法都返回pdfplumber.PDF类的实例(instance)。
加载带密码的pdf需要传入参数password，例如：

pdfplumber.open("file.pdf", password = "test")

提取单页pdf文字

import pdfplumber
with pdfplumber.open("test.pdf") as pdf:
    first_page = pdf.pages[0]
    text = first_page.extract_text()#提取文本
    print(text)

提取所有页pdf文字

import pdfplumber
with pdfplumber.open("test.pdf") as pdf:
    for page in pdf.pages: #遍历所有页码
        text = page.extract_text()#提取文本
        print(text)

提取所有pdf文字并写入文本中

import pdfplumber
with pdfplumber.open("test.pdf") as pdf:
    for page in pdf.pages:
        text = page.extract_text()#提取文本
        txt_file = open("test2.txt",mode='a',encoding='utf-8')
        txt_file.write(text)

提取PDF表格

pdfplumber的表检测方法大量借鉴了Anssi Nurminen的硕士学位论文)，并受到Tabula的启发。 它是这样的：