RPA-使用Python處理PDF文件

介紹

在RPA流程設計中，會有各種文件的處理，其中就包括對pdf文件的處理，這時候就須要調用PyPDF2進行相關的代碼編寫了。
PyPDF2 是一個純 Python 包，可經過使用 PyPDF2 包在 Python 中處理已先存在的 PDF。

1. 提取 PDF 中的文檔信息
2. 旋轉頁面
3. 合併 PDF
4. 拆分 PDF
5. 添加水印
6. 加密 PDF

一、提取文檔信息

使用 PyPDF2 從 PDF 中提取元數據和一些文本，尤爲是當在預先存在的 PDF 文件上執行某些類型的自動化時是很是有用的。
如下是當前能夠提取的數據：

• Author
• Creator
• Producer
• Subject
• Title
• Number of page

能夠在本身的電腦上隨便找一個 PDF 文件進行嘗試操做。下面是使用該 PDF 編寫一些代碼，並瞭解如何訪問這些屬性：

from PyPDF2 import PdfFileReader

def extract_information(pdf_path):
    with open(pdf_path, 'rb') as f:
        pdf = PdfFileReader(f)
        information = pdf.getDocumentInfo()
        number_of_pages = pdf.getNumPages()

    txt = f"""
    Information about {pdf_path}:

    Author: {information.author}
    Creator: {information.creator}
    Producer: {information.producer}
    Subject: {information.subject}
    Title: {information.title}
    Number of pages: {number_of_pages}
    """

    print(txt)
    return information

if __name__ == '__main__':
    path = 'xxxx.pdf'
    extract_information(path)

首先從 PyPDF2 包導入 PdfFileReader。PdfFileReader 是一個具備多種與 PDF 文件交互的方法的類。在此示例中，咱們調用了.getDocumentInfo()，它將返回 DocumentInformation 的實例, 包含了咱們感興趣的大部分信息。咱們還能夠在 reader 對象上調用.getNumPages()，讓它返回文檔中的頁數。

information 這個變量具備多個實例屬性，可使用這些屬性從文檔中獲取所需的其他元數據。咱們能夠打印出該信息並將其返回以備未來使用。

雖然 PyPDF2 具備.extractText()，能夠在其頁面對象上使用提取文本（本例中未顯示），但它的效果不是很好。有些 PDF 會返回文本，有些會返回空字符串。若是要從 PDF 中提取文本，建議應該看一下 PDFMiner 項目。PDFMiner 更增強大，專門用於從 PDF 中提取文本。

二、旋轉頁面

有時候 PDF 是橫向模式而不是縱向模式，甚至是顛倒的。當有人掃描文檔爲 PDF 或電子郵件時，極可能會發生這種狀況。咱們能夠打印出文檔並閱讀紙質版本，也可使用 Python 的強大功能來旋轉有問題的頁面。

下面看一下如何使用 PyPDF2 旋轉文章的一些頁面:

from PyPDF2 import PdfFileReader, PdfFileWriter

def rotate_pages(pdf_path):
    pdf_writer = PdfFileWriter()
    pdf_reader = PdfFileReader(path)
    # 順時針旋轉90度
    page_1 = pdf_reader.getPage(0).rotateClockwise(90)
    pdf_writer.addPage(page_1)
    # 逆時針旋轉90度
    page_2 = pdf_reader.getPage(1).rotateCounterClockwise(90)
    pdf_writer.addPage(page_2)
    # 在正常方向上添加一頁
    pdf_writer.addPage(pdf_reader.getPage(2))

    with open('rotate_pages.pdf', 'wb') as fh:
        pdf_writer.write(fh)

if __name__ == '__main__':
    path = '新路徑.pdf'
    rotate_pages(path)

三、合併 PDF

在許多狀況下，咱們但願將兩個或多個 PDF 合併到一個 PDF 中。例如，如今可能有一個標準的封面，須要轉到許多類型的報告中。這時候就可使用 python 來幫助完成這類工做。

下面是實現的代碼，完成 PDF 合併的操做：

from PyPDF2 import PdfFileReader, PdfFileWriter
def merge_pdfs(paths, output):
    pdf_writer = PdfFileWriter()

    for path in paths:
        pdf_reader = PdfFileReader(path)
        for page in range(pdf_reader.getNumPages()):
            # 將每頁添加到writer對象
            pdf_writer.addPage(pdf_reader.getPage(page))

    # 寫入合併的pdf
    with open(output, 'wb') as out:
        pdf_writer.write(out)

if __name__ == '__main__':
    paths = ['document1.pdf', 'document2.pdf']
    merge_pdfs(paths, output='merged.pdf')

假若有一個要合併到一塊兒的 pdf 列表時，能夠直接使用 merge_pdf 函數完成。此函數採用了輸入路徑和輸出路徑做爲參數。

首先遍歷輸入的 paths，併爲每一個輸入建立一個 PDF 閱讀對象。而後遍歷 PDF 文件中的全部頁面，並使用.addpage() 將這些頁面寫入 writer 對象。當完成對列表中全部 PDF 的全部頁面的寫入後，將在末尾寫入新的結果中。

若是不想合併每一個 PDF 的全部頁面，能夠經過添加一系列要添加的頁面來稍微加強這個腳本。挑戰一點的話，也可使用 Python 的 argparse 模塊爲這個函數建立一個命令行接口。

四、拆分 PDF

有時可能須要將 PDF 拆分爲多個 PDF，對於包含大量掃描內容的 PDF 來講尤爲重要。如下是如何使用 PyPDF2 將 PDF 拆分爲多個文件：

from PyPDF2 import PdfFileReader, PdfFileWriter

def split(path, name_of_split):
    pdf = PdfFileReader(path)
    for page in range(pdf.getNumPages()):
        pdf_writer = PdfFileWriter()
        pdf_writer.addPage(pdf.getPage(page))

        output = f'{name_of_split}{page}.pdf'
        with open(output, 'wb') as output_pdf:
            pdf_writer.write(output_pdf)

if __name__ == '__main__':
    path = 'xxx.pdf'
    split(path, 'jupyter_page')

這個函數中再次建立了 PDF 的 reaer 對象，並對其所讀取的頁面進行遍歷。對於 PDF 中的每一個頁面，建立一個新的 PDF 的 writer 實例並向其添加單個頁面。而後，將該頁面寫入一個惟一命名的文件。腳本運行完畢後，就能夠將原始 PDF 的每一個頁面拆分爲單獨的 PDF。

五、添加水印

水印是紙質或者電子文檔上的圖像或圖案，一些水印只能在特殊照明條件下才能看到。水印的重要性在於它能夠保護你的知識產權，例如圖像或 PDF。

咱們可使用 Python 和 PyPDF2 爲文檔添加水印，並且是擁有僅包含水印圖像或文本的 PDF。下面是向 PDF 添加水印方法：

from PyPDF2 import PdfFileWriter, PdfFileReader

def create_watermark(input_pdf, output, watermark):
    watermark_obj = PdfFileReader(watermark)
    watermark_page = watermark_obj.getPage(0)

    pdf_reader = PdfFileReader(input_pdf)
    pdf_writer = PdfFileWriter()

    # 給全部頁面添加水印
    for page in range(pdf_reader.getNumPages()):
        page = pdf_reader.getPage(page)
        page.mergePage(watermark_page)
        pdf_writer.addPage(page)

    with open(output, 'wb') as out:
        pdf_writer.write(out)

if __name__ == '__main__':
    create_watermark(
        input_pdf='Jupyter_Notebook_An_Introduction.pdf', 
          output='watermarked_notebook.pdf',
        watermark='watermark.pdf')

上面 create_watermark 有三個參數：

• input_pdf：要加水印的 PDF 文件路徑
• output：要保存 PDF 的水印版本的路徑
• watermark：包含水印圖像或文本的 PDF

在代碼中，打開水印 PDF 並從文檔中抓取第一頁，由於這是水印應該駐留的位置。而後使用 input_pdf 和通用 pdf_writer 對象建立 PDF 的 writer 對象，以寫出帶水印的 PDF。

下一步是遍歷 input_pdf 中的頁面，而後調用.mergePage() 並以用上面讀取的水印對象 watermark_page 爲參數，這樣會將 watermark_page 覆蓋在當前頁面的頂部，而後再將新合併的頁面添加到 pdf_writer 對象中。遍歷完成後，最後將新加水印的 PDF 寫入磁盤。

六、加密 PDF

PyPDF2 目前僅支持將用戶密碼和全部者密碼添加到預先存在的 PDF。在 PDF 版本中，全部者密碼會提供 PDF 的管理員權限，並容許設置文檔的權限，而用戶密碼只容許打開文檔。

實際上，PyPDF2 是不容許設置文檔的任何權限的，即便它容許設置全部者密碼的狀況下。但不管如何，這是能夠加密的方式，也將固有地加密 PDF：

from PyPDF2 import PdfFileWriter, PdfFileReader

def add_encryption(input_pdf, output_pdf, password):
    pdf_writer = PdfFileWriter()
    pdf_reader = PdfFileReader(input_pdf)

    for page in range(pdf_reader.getNumPages()):
        pdf_writer.addPage(pdf_reader.getPage(page))

    pdf_writer.encrypt(user_pwd=password, owner_pwd=None, 
                       use_128bit=True)

    with open(output_pdf, 'wb') as fh:
        pdf_writer.write(fh)

if __name__ == '__main__':
    add_encryption(input_pdf='reportlab-sample.pdf',
                 output_pdf='reportlab-encrypted.pdf',
                 password='twofish')

dd_encryption 以輸入輸出 PDF 路徑和要添加到 PDF 的密碼爲參數。因爲須要加密整個輸入 PDF，所以須要遍歷其全部頁面並將其添加到 writer 編寫器。最後一步是調用.encrypt()，以用戶密碼，全部者密碼以及是否應該添加 128 位加密爲參數。默認狀況下，要啓用 128 位加密。若是將其設置爲 False，則將應用 40 位加密。

免費下載試用：https://support.i-search.com.cn/