python 九 文件操作 读写.pdf

在 Python 中，处理 PDF 文件可以使用以下库：

• PyPDF2：支持 PDF 的读取、合并、拆分和加解密，但对 PDF 的编辑和写入支持有限。
• PyMuPDF (fitz)：支持读取、写入、编辑 PDF，功能强大。
• pdfplumber：专注于从 PDF 提取结构化数据（如表格）。
• reportlab：用于生成 PDF 文件。
• pdfminer.six：适合从 PDF 中提取文本内容。

以下是使用这些库处理 PDF 文件的教程。

---

1. 安装必要的库

安装常用的 PDF 库：

pip install PyPDF2 pymupdf pdfplumber reportlab pdfminer.six

---

2. 使用 PyPDF2 处理 PDF 文件

读取 PDF 文件

from PyPDF2 import PdfReader

# 打开 PDF 文件
reader = PdfReader("example.pdf")

# 获取总页数
print(f"总页数: {len(reader.pages)}")

# 读取某一页的内容
page = reader.pages[0]  # 第一页
print(page.extract_text())

写入（合并/拆分）PDF 文件

from PyPDF2 import PdfWriter

# 创建一个 PDF Writer
writer = PdfWriter()

# 添加页面
writer.add_page(reader.pages[0])

# 保存到新文件
with open("output.pdf", "wb") as f:
    writer.write(f)

---

3. 使用 PyMuPDF (fitz) 处理 PDF

读取 PDF 文件

PyMuPDF 支持高效读取 PDF，并支持访问图像和表格。

import fitz  # PyMuPDF

# 打开 PDF 文件
doc = fitz.open("example.pdf")

# 获取总页数
print(f"总页数: {doc.page_count}")

# 读取某一页的内容
page = doc[0]  # 第一页
print(page.get_text())

从 PDF 提取图像

# 提取 PDF 中的图像
for page_num in range(len(doc)):
    page = doc[page_num]
    images = page.get_images(full=True)
    for img_index, img in enumerate(images):
        xref = img[0]
        base_image = doc.extract_image(xref)
        image_bytes = base_image["image"]
        image_ext = base_image["ext"]
        with open(f"page{page_num+1}_img{img_index+1}.{image_ext}", "wb") as img_file:
            img_file.write(image_bytes)

创建和编辑 PDF

# 创建 PDF
doc = fitz.open()
page = doc.new_page()
page.insert_text((72, 72), "Hello, PDF!", fontsize=20)
doc.save("new_file.pdf")

---

4. 使用 pdfplumber 提取表格和文本

提取结构化数据

import pdfplumber

# 打开 PDF 文件
with pdfplumber.open("example.pdf") as pdf:
    for page in pdf.pages:
        # 提取文本
        print(page.extract_text())
        
        # 提取表格
        tables = page.extract_tables()
        for table in tables:
            for row in table:
                print(row)

---

5. 使用 reportlab 生成 PDF

生成简单 PDF 文件

from reportlab.pdfgen import canvas

# 创建 PDF 文件
c = canvas.Canvas("generated.pdf")

# 添加内容
c.drawString(100, 750, "Hello, PDF!")
c.drawString(100, 720, "这是一个用 ReportLab 生成的 PDF。")

# 保存 PDF 文件
c.save()

生成包含图表的 PDF

from reportlab.lib.pagesizes import letter
from reportlab.platypus import SimpleDocTemplate, Table, TableStyle
from reportlab.lib import colors

# 创建 PDF 文件
doc = SimpleDocTemplate("table_example.pdf", pagesize=letter)

# 创建表格
data = [
    ["Name", "Age", "City"],
    ["Alice", "30", "New York"],
    ["Bob", "25", "San Francisco"],
    ["Charlie", "35", "Boston"],
]

table = Table(data)
table.setStyle(
    TableStyle(
        [
            ("BACKGROUND", (0, 0), (-1, 0), colors.grey),
            ("TEXTCOLOR", (0, 0), (-1, 0), colors.whitesmoke),
            ("ALIGN", (0, 0), (-1, -1), "CENTER"),
            ("FONTNAME", (0, 0), (-1, 0), "Helvetica-Bold"),
            ("BOTTOMPADDING", (0, 0), (-1, 0), 12),
            ("GRID", (0, 0), (-1, -1), 1, colors.black),
        ]
    )
)

# 写入 PDF
doc.build([table])

---

6. 使用 pdfminer.six 提取文本

pdfminer.six 是一个强大的库，支持复杂 PDF 文件的文本提取。

提取文本

from pdfminer.high_level import extract_text

# 提取 PDF 的文本
text = extract_text("example.pdf")
print(text)

---

7. 小结

• PyPDF2：用于基本的 PDF 操作（读取、拆分、合并）。
• PyMuPDF (fitz)：功能全面，支持提取文本、图像，甚至编辑 PDF。
• pdfplumber：专注于结构化数据的提取（如表格）。
• reportlab：生成 PDF 文件的最佳选择。
• pdfminer.six：适合复杂文本提取。