Python操作PDF

一、PDF简介

PDF是Portable Document Format的缩写，这类文件通常使用.pdf作为其扩展名。在日常开发工作中，最容易遇到的就是从PDF中读取文本内容以及用已有的内容生成PDF文档这两个任务。

在Python中，可以使用名为PyPDF2的三方库来读取PDF文件，可以使用下面的命令来安装它。

安装最新版本

pip install PyPDF2

安装指定版本

pip install PyPDF2==2.3.1 

二、从PDF中提取文本和加密PDF文件

2.1 提取文本

PyPDF2没有办法从PDF文档中提取图像、图表或其他媒体，但它可以提取文本，并将其返回为Python字符串。

• 导入包

import PyPDF2

• 创建读取文件的对象

reader = PyPDF2.PdfReader(r"data/XGBoost.pdf")

• 获取指定页，结果返回一个字典

page = reader.pages[0]
print(page)

• 获取指定页的文本内容

text = page.extract_text()
print(text)

2.2 加密pdf文件

使用PyPDF2中的PdfWrite对象可以为PDF文档加密，如果需要给一系列的PDF文档设置统一的访问口令，使用Python程序来处理就会非常的方便。

加密pdf文件会创建新的对象

• 导入包

import PyPDF2

• 创建读取文件的对象

reader = PyPDF2.PdfReader(r"data/XGBoost.pdf")

• 创建写入文件的对象

writer = PyPDF2.PdfWrite