PDF文件被广泛应用于工作和生活中，下载资料和传递只读文件都必不可少。今天我们就来详解Python在PDF中的应用。

对于PDF文件，常见的需求也就是两类：

• 处理文件本身，属于文件页面级操作，如合并/分拆PDF页面、加/解密、加/去水印；
• 处理文件内容，属于内容级操作，如提取文字、表格数据、图表等。

目前Python用于处理PDF的模块，主要有3个：

• PyPDF2：模块成熟，最后一次更新在2年前，适合页面级操作，文字提取效果较差。
• PDFMiner：擅长文字抽取，目前主分支已停止维护，取而代之的是Pdfminer.six。
• Pdfplumber：基于pdfminer.six的文本内容抽取工具，使用门槛更低，如支持表格提取。

实战中，可以根据需求的类型选择模块。如果是页面级的操作，就用PyPDF2。如果需要内容抽取，优先使用pdfplumber。

对应的模块安装：

• pip install pypdf2
• pip install pdfminer.six
• pip install pdfplumber

PyPDF2

PyPDF2的主要能力在页面级操作，比如：

• 获取PDF文档基本信息
• PDF分割及合并
• PDF的旋转及排序
• PDF加水印及去水印
• PDF加密及解密

PyPDF2的核心两个类是PdfFileReader和PdfFileWriter，完成PDF文件的读写操作。

获取PDF文档基本信息

import pathlib from PyPDF2 import PdfFileReader path = list(pathlib.Path.cwd().parents)[1].joinpath(‘data/automate/002pdf’) f_path = path.joinpath(‘2020-新冠肺炎疫情对中国连锁餐饮行业的影响调研报告-中国连锁经营协会.pdf’) with open(f_path, ‘rb’) as f:    pdf = PdfFileReader(f)    info = pdf.getDocumentInfo()    cnt_page = pdf.getNumPages()    is_encrypt = pdf.getIsEncrypted() print(f”’ 作者: {info.author} 创建者: {info.creator} 制作者: {info.producer} 主题: {info.subject} 标题: {info.title} 总页数: {cnt_page} 是否加密: {is_encrypt} ”’)

PDF分割及合并

import pathlib from PyPDF2 import PdfFileReader, PdfFileWriter path = list(pathlib.Path.cwd().parents)[1].joinpath(‘data/automate/002pdf’) f_path = path.joinpath(‘2020-新冠肺炎疫情对中国连锁餐饮行业的影响调研报告-中国连锁经营协会.pdf’) out_path = path.joinpath(‘002pdf_split_merge.pdf’) out_path_1 = path.joinpath(‘002pdf_split_half_front.pdf’) out_path_2 = path.joinpath(‘002pdf_split_half_back.pdf’) # 把文件分为两半 with open(f_path, ‘rb’) as f, open(out_path_1, ‘wb’) as f_out1, open(out_path_2, ‘wb’) as f_out2:    pdf = PdfFileReader(f)    pdf_out1 = PdfFileWriter()    pdf_out2 = PdfFileWriter()    cnt_pages = pdf.getNumPages()    print(f’共 {cnt_pages} 页’)    for i in range(cnt_pages):        if i <= cnt_pages //2:            pdf_out1.addPage(pdf.getPage(i))        else:            pdf_out2.addPage(pdf.getPage(i))    pdf_out1.write(f_out1)    pdf_out2.write(f_out2) # 再把后半个文件与前半个文件合并，后半个文件在前 with open(out_path, ‘wb’) as f_out:    cnt_f, cnt_b = pdf_out1.getNumPages(), pdf_out2.getNumPages()    pdf_out = PdfFileWriter()    for i in range(cnt_b):        pdf_out.addPage(pdf_out2.getPage(i))    for i in range(cnt_f):        pdf_out.addPage(pdf_out1.getPage(i))    pdf_out.write(f_out)

PDF的旋转及排序

import pathlib from PyPDF2 import PdfFileReader, PdfFileWriter path = list(pathlib.Path.cwd().parents)[1].joinpath(‘data/automate/002pdf’) f_path = path.joinpath(‘2020-新冠肺炎疫情对中国连锁餐饮行业的影响调研报告-中国连锁经营协会.pdf’) out_path = path.joinpath(‘002pdf_rotate.pdf’) with open(f_path, ‘rb’) as f, open(out_path, ‘wb’) as f_out:    pdf = PdfFileReader(f)    pdf_out = PdfFileWriter()    page = pdf.getPage(0).rotateClockwise(90)    pdf_out.addPage(page)    # 把第二页放到前面    pdf_out.addPage(pdf.getPage(2))    page = pdf.getPage(1).rotateCounterClockwise(90)    pdf_out.addPage(page)    pdf_out.write(f_out)

PDF加水印及去水印

加图片水印，其实就是在页面中增加一个透明背景的图片，通过页面的mergePage方法即可完成。

import pathlib from PyPDF2 import PdfFileReader, PdfFileWriter path = list(pathlib.Path.cwd().parents)[1].joinpath(‘data/automate/002pdf’) f_path = path.joinpath(‘2020-新冠肺炎疫情对中国连锁餐饮行业的影响调研报告-中国连锁经营协会.pdf’) wm_path = path.joinpath(‘watermark.pdf’) en_path = path.joinpath(‘002pdf_with_watermark_en.pdf’) out_path = path.joinpath(‘002pdf_with_watermark.pdf’) with open(f_path, ‘rb’) as f, open(wm_path, ‘rb’) as f_wm, open(out_path, ‘wb’) as f_out:    pdf = PdfFileReader(f)    pdf_wm = PdfFileReader(f_wm)    pdf_out = PdfFileWriter()    wm_cn_page = pdf_wm.getPage(0)    wm_en_page = pdf_wm.getPage(1)    cnt_pages = pdf.getNumPages()    for i in range(cnt_pages):        page = pdf.getPage(i)        page.mergePage(wm_cn_page)        pdf_out.addPage(page)    pdf_out.write(f_out)

去水印，就比较复杂，需要根据不同情况具体分析。因为水印可能是文字、图片或者各种组合，关键是识别出特征。

去水印的3个常见思路参考：

1.找到特征词后替换，适合英文文档，但不适用于中文等CJK字符。

2.把PDF页转成图片后，用图像算法去水印，但这样会破坏文件原信息结构。

3.根据水印大小位置特征，找到所有元素后删除。这是更推荐的方式。

第3种方式效果最好，但如果碰到一些复杂的文档水印，就非常考验耐心。

你得一个个识别操作命令，一边替换一边检查效果，直到水印成功去除。

但，未必剩下的所有页都可以用同样特征模式来消除，因为这份PDF可能经过多人加水印，已经包含多种加水印方式。

所以，去水印并没有一种100%安全有效（不错删信息）且通用的方法。

加水印、去水印本质上是一种攻防策略。

比如一些工具推出去水印功能，一旦公开，加水印方就能识别并避开它的去除方法。

最后，尊重版权，是每个人应有的态度。

除了学习外，正式使用时，应该遵守内容创作方的规则。

PDF加密解密

PDF里的密码，分为用户密码和所有者密码。

PyPDF2里提供了基本的加密功能，“防君子不防小人”。

如果打开PDF文件后，复制了新文件，那新文件就不受所有者密码的约束，可被修改。

import pathlib from PyPDF2 import PdfFileReader, PdfFileWriter path = list(pathlib.Path.cwd().parents)[1].joinpath(‘data/automate/002pdf’) f_path = path.joinpath(‘2020-新冠肺炎疫情对中国连锁餐饮行业的影响调研报告-中国连锁经营协会.pdf’) out_path_encrypt = path.joinpath(‘002pdf_encrypt.pdf’) out_path_decrypt = path.joinpath(‘002pdf_decrypt.pdf’) with open(f_path, ‘rb’) as f, open(out_path_encrypt, ‘wb’) as f_out:    pdf = PdfFileReader(f)    pdf_out = PdfFileWriter()    cnt_pages = pdf.getNumPages()    for i in range(cnt_pages):        page = pdf.getPage(i)        pdf_out.addPage(page)    pdf_out.encrypt(‘123456′, owner_pwd=’654321’)    pdf_out.write(f_out) # 重新读取加密文件并生成解密文件 with open(out_path_encrypt, ‘rb’) as f, open(out_path_decrypt, ‘wb’) as f_out:    pdf = PdfFileReader(f)    if not pdf.isEncrypted:        print(‘文件未被加密’)    else:        success = pdf.decrypt(‘123456’)        # if not success:        pdf_out = PdfFileWriter()        pdf_out.appendPagesFromReader(pdf)        pdf_out.write(f_out)

因为篇幅有限，今天只讲解PyPDF2模块。下篇我们继续分享pdfminer.six和pdfplumber模块。