超全總結！聊聊 python 操作PDF的幾種方法
一、前言
大家好，有關Python操作PDF的案例之前已經寫過一個PDF批量合并，這個案例初衷只是給大家提供一個便利的腳本，并沒有太多講解原理,其中涉及的就是PDF處理很實用的模塊PyPDF2，本文就好好剖析一下這個模塊，主要將涉及
- os 模塊綜合應用
- glob 模塊綜合應用
- PyPDF2 模塊操作
二、基本操作
PyPDF2 導入模塊的代碼常常是：
- from PyPDF2 import PdfFileReader, PdfFileWriter
這里導入了兩個方法：
- PdfFileReader 可以理解為讀取器
- PdfFileWriter可以理解為寫入器
接下來通過幾個案例進一步認識這兩個工具的奇妙之處，用到的示例文件是5個發(fā)票的pdf
每個發(fā)票的PDF都由兩頁組成：
三、合并
第一個工作是將5個發(fā)票pdf合并成10頁。這里讀取器和寫入器應該怎么配合呢？
邏輯如下：
- 讀取器將所有pdf讀取一遍
- 讀取器將讀取的內容交給寫入器
- 寫入器統(tǒng)一輸出到一個新pdf
這里還有一個重要的知識點：讀取器只能將讀取的內容一頁一頁交給寫入器。
因此，邏輯中第1步和第2步實際上不是彼此獨立的步驟，而是讀取器讀取完一個pdf后，就將這個pdf全部頁循環(huán)一遍，挨頁交給寫入器。最后等讀取工作全部結束后再輸出。
看一下代碼可以讓思路更清楚：
- from PyPDF2 import PdfFileReader, PdfFileWriter
- path = r'C:\Users\xxxxxx'
- pdf_writer = PdfFileWriter()for i in range(1, 6):
- pdf_reader = PdfFileReader(path + '/INV{}.pdf'.format(i))
- for page in range(pdf_reader.getNumPages()):
- pdf_writer.addPage(pdf_reader.getPage(page))with open(path + r'\合并PDF\merge.pdf', 'wb') as out:
- pdf_writer.write(out)
由于全部內容都需要交給同一個寫入器最后一起輸出，所以寫入器的初始化一定是在循環(huán)體之外的.
如果在循環(huán)體內則會變成每次訪問讀取一個pdf就生成一個新的寫入器，這樣每一個讀取器交給寫入器的內容就會被反復覆蓋，無法實現我們的合并需求!
循環(huán)體開頭的代碼：
- for i in range(1, 6):
- pdf_reader = PdfFileReader(path + '/INV{}.pdf'.format(i))
目的就是每次循環(huán)讀取一個新的pdf文件交給讀取器進行后續(xù)操作。實際上這種寫法不是很提倡，由于各pdf命名恰好很規(guī)則，所以可以直接人為指定數字進行循環(huán)。更好的方法是用 glob 模塊：
- import glob
- for file in glob.glob(path + '/*.pdf'):
- pdf_reader = PdfFileReader(path)
代碼中 pdf_reader.getNumPages(): 能夠獲取讀取器的頁數，配合range就能遍歷讀取器的所有頁。
pdf_writer.addPage(pdf_reader.getPage(page))能夠將當前頁交給寫入器。
最后，用with新建一個pdf并由寫入器的 pdf_writer.write(out)方法輸出即可
四、拆分
如果明白了合并操作中讀取器和寫入器的配合，那么拆分就很好理解了，這里我們以拆分INV1.pdf為2個單獨的pdf文檔為例，同樣也先來捋一捋邏輯：
- 讀取器讀取PDF文檔
- 讀取器一頁一頁交給寫入器
- 寫入器每獲取一頁就立即輸出
通過這個代碼邏輯我們也可以明白，寫入器初始化和輸出的位置一定都在讀取PDF循環(huán)每一頁的循環(huán)體內，而不是在循環(huán)體外
代碼很簡單：
- from PyPDF2 import PdfFileReader, PdfFileWriter
- path = r'C:\Users\xxx'
- pdf_reader = PdfFileReader(path + '\INV1.pdf')
- for page in range(pdf_reader.getNumPages()):
- # 遍歷到每一頁挨個生成寫入器
- pdf_writer = PdfFileWriter()
- pdf_writer.addPage(pdf_reader.getPage(page))
- # 寫入器被添加一頁后立即輸出產生pdf
- with open(path + '\INV1-{}.pdf'.format(page + 1), 'wb') as out:
- pdf_writer.write(out)
五、水印
本次的工作是將下圖作為水印添加到INV1.pdf中
首先是準備工作，將需要作為水印的圖片插入word中調整合適位置后保存為PDF文件。然后就可以碼代碼了，需要額外用到copy模塊，具體解釋見下圖：
就是把讀取器和寫入器初始化，并且把水印PDF頁先讀取好備用,核心代碼稍微比較難理解：
加水印本質上就是把水印PDF頁和需要加水印的每一頁都合并一遍
由于需要加水印的PDF可能有很多頁，而水印PDF只有一頁，因此如果直接把水印PDF拿來合并，可以抽象理解成加完第一頁，水印PDF頁就沒有了。
因此不能直接拿來合并，而要把水印PDF頁不斷copy出來成新的一頁備用new_page，再運用.mergePage方法完成跟每一頁合并，把合并后的頁交給寫入器待最后統(tǒng)一輸出!
關于.mergePage的使用：出現在下面的頁.mergePage(出現在上面的頁)，最后效果如圖：
六、加密
加密很簡單，只需要記住：「加密是針對寫入器加密」
因此只需要在相關操作完成后調用pdf_writer.encrypt(密碼)
以單個PDF的加密為例：
寫在最后
當然除了對PDF的合并、拆分、加密、水印，我們還可以使用Python結合Excel和Word實現更多的自動化需求，這些就留給讀者自己開發(fā)。
最后還是希望大家能夠理解Python辦公自動化的一個核心就是批量操作-解放雙手，讓復雜的工作自動化！
