PDF 文檔格式

今天，可移植文檔格式（PDF）屬于最常用的數據格式。 1990年，Adobe定義了PDF文檔格式。 PDF格式背後的想法是傳輸的數據/文檔對于通信過程中涉及的雙方——創建者，作者或發送者和接收者來說看起來完全相同。 PDF是PostScript格式的後續版本，标準化為ISO 32000-2：2017。

處理PDF文檔

對于Linux，有很多可用的命令行工具，如pdftk和pdfgrep來操作pdf。 作為開發人員，您可以構建自己的基于Python的軟件，并使用免費提供的PDF庫。

本文是一個小系列的開頭，将介紹這些有用的Python庫。 在第一部分中，我們将重點介紹現有PDF的操作。 您将學習如何閱讀和提取内容（文本和圖像），旋轉單個頁面以及将文檔拆分為單獨的頁面。 第二部分将介紹如何根據疊加層添加水印。 第三部分将專注于編寫/創建PDF，還将包括删除和重新組合單個頁面到新文檔。

工具和庫

Python相關的PDF工具，模塊和庫的可用解決方案範圍有點令人困惑，需要花一點時間來弄清楚什麼是什麼，以及哪些項目是持續維護的。 根據我們的研究，這些是目前最新的方案：

下面我們将重點介紹PyPDF2和PyMuPDF，并解釋如何以最簡單的方式提取文本和圖像。 為了理解PyPDF2的用法，官方文檔和其他資源提供的大量示例的組合。 相比之下，官方的PyMuPDF文檔更清晰，使用庫的速度要快得多。

用PyPDF2提取文檔

PyPDF2可以作為常規軟件包安裝，也可以使用pip3（适用于Python3）安裝。 這裡的測試基于即将推出的Debian GNU / Linux版本10“Buster”的軟件包。 Debian軟件包的名稱是python3-pypdf2。

下面的代碼首先導入PdfFilereader 類，然後适用這個類打開文件，用getDocumentInfo() 方法來提取文檔信息，包括頁數和首頁内容。

請注意PyPDF2頁碼計數從0開始，這也是為什麼pdf.getPage(0) 函數可以獲取文件的第一頁。最終，提取到的信息被打印到了stdout。

使用PyMuPDF提取文本

PyMuPDF可從PyPi網站獲得，您可以在終端中使用以下命令安裝包：

顯示文檔信息，打印頁數和提取PDF文檔的文本的方式與PyPDF2類似（參見清單2）。 要導入的模塊名為fitz，并返回到PyMuPDF的先前名稱。

PyMuPDF的優點在于它保持原始文檔結構的完整性 - 帶有換行符的整個段落保留在PDF文檔中。

使用PyMuPDF從PDF中提取圖像

PyMuPDF使用getPageImageList（）方法簡化了從PDF文檔中提取圖像的過程。下面的代碼來源于PyMuPDF wiki頁面的示例，并逐頁提取并保存PDF中的所有圖像作為PNG文件。 如果圖像具有CMYK顔色空間，則首先将其轉換為RGB。

在400頁PDF上運行這個Python腳本，它在不到3秒的時間内提取了117個圖像，這是驚人的。 各個圖像以PNG格式存儲。 為了保持原始圖像格式和大小，而不是轉換為PNG，請查看PyMuPDF wiki中腳本的擴展版本。

使用PyPDF2将PDF拆分為頁面

對于此示例，首先需要導入PdfFileReader和PdfFileWriter類。 然後我們打開PDF文件，創建一個reader對象，并使用reader對象的getNumPages方法遍曆所有頁面。

在for循環中，我們創建了一個新的PdfFileWriter實例，它不包含任何頁面。 然後，我們使用pdfWriter.addPage（）方法将當前頁面添加到writer對象。 此方法接受頁面對象，我們使用PdfFileReader.getPage（）方法獲取該頁面對象。

下一步是創建一個唯一的文件名，我們使用原始文件名加上“page”一詞加上頁碼。 我們在當前頁碼中加1，因為PyPDF2計算從零開始的頁碼。

最後，我們以“write binary”模式（模式wb）打開新文件名，并使用pdfWriter類的write（）方法将提取的頁面保存到磁盤。

查找包含文本的所有頁面

這個功能非常實用，與pdfgrep類似。 使用PyMuPDF，腳本将返回包含給定搜索字符串的所有頁碼。 頁面一個接一個地加載，并且在searchFor（）方法的幫助下，檢測到搜索字符串的所有出現。 如果匹配，則在stdout上打印相應的消息。

結論：

這裡講解的方法非常強大。 使用相對較少數量的代碼行，可以輕松獲得結果。 更多功能在第二部分（即将推出！）中進行了研究，其中包括為PDF添加水印.

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!