PyPDF2读取中文_pdfplumber、pypdf2 常用方法总结

这两天学习了一些处理 PDF 文档的方法，网上查找资料的过程中发现很多处理 PDF 文件的库，多方尝试后推荐两个比较好用的。若处理对象是 PDF 文档本身，则推荐使用 pypdf2，如对 PDF 文档进行分割, 合并, 插入等操作.若处理对象是 PDF 文档中的文本，表格等内容，则推荐使用 pdfplumber.

pypdf2

PdfFileMerger。

该类用来合并 pdf 文件，该类的构造方法有一个参数：PdfFileMerger(strict=True)，注意这里的参数后面会介绍：

常用方法：

addBookmark(title, pagenum, parent=None)：给 pdf 添加一个书签，title 是书签的标题，pagenum 是该书签指向的页面。

append(fileobj, bookmark=None, pages=None, import_bookmarks=True)：将指定的 fileobj 文件添加到文件的末尾，bookmark 是赎前，pages 可以使用 (start, stop[, step]) 或者一个 Page Range 来设定将 fileobj 中的指定范围的页面进行添加。

merge(position, fileobj, bookmark=None, pages=None, import_bookmarks=True)：与 append 方法类似，不过可以使用 position 参数指定添加的位置。

write(fileobj)：将数据写入到文件中。

使用的时候可以创建一个 PdfFileMerger 实例，然后使用 append 或者 merge 将想要融合的 pdf 文件依次添加进去，最后使用 write 保存即可。

def merge_pdf():

下面看一下 PdfFileMerger(strict=True) 中的这个参数：

官方对这个参数的解释：

strict (bool) – Determines whether user should be warned of all problems and also causes some correctable problems to be fatal. Defaults to True.

确定是否应该警告用户所有问题，并且还会导致一些可纠正的问题。

刚开始感觉这个参数就是用来是否警告用户一些错误的，直接使用默认即可，但是当本人尝试合并带中文的 pdf 时，出现了如下错误：

call 

在源码包中使用 utf 解码的时候出错了，尝试修改此处源码，让其使用 gbk，但是还出现了其他的错误。最后发现当把构造函数中的 strict 设置为 False 时，控制台会打印下面的错误：

in Name 

但是两个文件成功的合并了，并且大概看了下合并后的文件有时好又是坏，同样的代码运行多次，有时候能够正常处理中文，但有时候中文乱码。

除了列出的方法还有一些其他的方法，比如添加书签、添加链接等等，可以参考官方文档。

PdfFileReader。

该类主要提供了对 pdf 文件的读操作，其构造方法为：

True, warndest=

第一个参数可以传入一个文件流，或者一个文件路径。后面三个参数都是用来设置警告的处理方式，直接使用默认的即可。

得到实例之后，就可以对 pdf 进行一些操作了。主要的有以下几个操作：

• decrypt(password)：如果 pdf 文件加密的话，可以使用该方法对其解密。

• getDocumentInfo()：检索 pdf 文件的一些信息。其返回值为一个 DocumentInformation 类型，直接输出的话会得到类似下面的信息：

'/Author':

getNumPages()：这个获取 pdf 文件中的页数。

getPage(pageNumber)：会得到 pdf 文件中对应的 pageNumber 页数的页面对象，返回值为 PageObject 实例。在得到 PageObject 实例之后就可以将其加添、插入等操作。

• getPageNumber(page)：与上面的方法对立，可以传入 PageObject 实例，然后得到该实例是 pdf 文件中第几页的。

• getOutlines(node=None, outlines=None)：检索文档中出现的文档大纲。

• isEncrypted：记录该 pdf 是否加密。如果文件本身加密，即使在使用解密 decrypt 方法之后，还是会返回 true。

• numPages：pdf 总共的页数，相当于访问 getNumPages() 的只读属性。

PdfFileWriter 。

该类支持对 pdf 文件进行写操作，通常是使用 PdfFileReader 读取一些 pdf 数据，然后使用该类进行一些操作。

创建该类的实例时不需要参数。

其主要的方法有：

• addAttachment(fname, fdata)：向 pdf 添加文件。

• addBlankPage(width=None, height=None)：给 pdf 添加一个空白页到最后，如果没有指定大小就使用当前 Weiter 中 pdf 最后一页的大小。

• addPage(page)：添加 page 到 pdf 中，通常这个 page 是由上面的 Reader 获取的。

• appendPagesFromReader(reader, after_page_append=None)：将 reader 中的数据拷贝到当前的 Writer 实例中，并且如果指定 after_page_append 的话，最后还有回掉该函数并且将 writer 中的数据传入其中。

• encrypt(user_pwd, owner_pwd=None, use_128bit=True)：将 pdf 进行加密，其中官方说 userpwd 是允许用户使用一些限制的权限打开 pdf 文件，也就是使用该密码的话可能会有一些限制，但是本人并没有在文档中找到设置权限的内容。而 ownerpwd 则是允许用户无限制的使用。第三个参数是是否使用 128 位加密。

• getNumPages()：得到 pdf 页数。

• getPage(pageNumber)：得到对应页数的 Page，是一个 PageObject 对象，可以使用上面的 addPage 方法将 page 进行添加。

• insertPage(page, index=0)：将 page 添加到 pdf 中，index 指定的是被插入的位置。

• write(stream)：将该 Writer 中的内容写入到文件中。

汇总代码:

from PyPDF2 

pdfplumber

本库最重要的应用是提取页面上的文本和表格，用法如下:

import pdfplumber

pdfplumber 还可以获得页面上的所有单词、直线、方格、乃至曲线的位置信息，具体可以看看官网的说明：https://github.com/jsvine/pdfplumber