辦公自動(dòng)化應(yīng)該算是打工人上班摸魚的極致追求了，況且對(duì)于 Python 愛好者來說，辦公自動(dòng)化簡(jiǎn)直是太簡(jiǎn)單了

比如，今天的辦公自動(dòng)化主題：Python 操作 PDF

關(guān)于 Python 與 PDF 的操作，前面也有提到幾篇，文末也會(huì) 列出相關(guān)幾篇文章，感興趣的可以都學(xué)習(xí)一下

今天的具體內(nèi)容將會(huì)從以下幾個(gè)小節(jié)展開：

1. 相關(guān)介紹
2. 批量拆分
3. 批量合并
4. 提取文字內(nèi)容
5. 提起表格內(nèi)容
6. 提起圖片內(nèi)容
7. 轉(zhuǎn)換為PDF圖片
8. 添加水印
9. 加密與解碼

上述操作比較常用，也可以解決較多的辦公內(nèi)容，下面直接開始本節(jié)內(nèi)容：

1. 相關(guān)介紹

Python 操作 PDF 會(huì)用到兩個(gè)庫(kù)，分別是：PyPDF2 和 pdfplumber

其中 PyPDF2 可以更好的讀取、寫入、分割、合并PDF文件，而 pdfplumber 可以更好的讀取 PDF 文件中內(nèi)容和提取 PDF 中的表格

對(duì)應(yīng)的官網(wǎng)分別是：

PyPDF2：https://pythonhosted.org/PyPDF2/

pdfplumber：https://github.com/jsvine/pdfplumber

由于這兩個(gè)庫(kù)都不是 Python 的標(biāo)準(zhǔn)庫(kù)，所以在使用之前都需要單獨(dú)安裝

win+r 后輸入 cmd 打開 command 窗口，依次輸入如下命令進(jìn)行安裝：

pip install PyPDF2

pip install pdfplumber

安裝完成后顯示 success 則表示安裝成功

2. 批量拆分

將一個(gè)完整的 PDF 拆分成幾個(gè)小的 PDF，因?yàn)橹饕婕暗?PDF 整體的操作，所以本小節(jié)需要用到 PyPDF2 這個(gè)庫(kù)

拆分的大概思路如下：

• 讀取 PDF 的整體信息、總頁(yè)數(shù)等
• 遍歷每一頁(yè)內(nèi)容，以每個(gè) step 為間隔將 PDF 存成每一個(gè)小的文件塊
• 將小的文件塊重新保存為新的 PDF 文件

需要注意的是，在拆分的過程中，可以手動(dòng)設(shè)置間隔，例如：每5頁(yè)保存成一個(gè)小的 PDF 文件

拆分的代碼如下：

import os
from PyPDF2 import PdfFileWriter, PdfFileReader

def split_pdf(filename, filepath, save_dirpath, step=5):
    """
    拆分PDF為多個(gè)小的PDF文件，
    @param filename:文件名
    @param filepath:文件路徑
    @param save_dirpath:保存小的PDF的文件路徑
    @param step: 每step間隔的頁(yè)面生成一個(gè)文件，例如step=5，表示0-4頁(yè)、5-9頁(yè)...為一個(gè)文件
    @return:
    """
    if not os.path.exists(save_dirpath):
        os.mkdir(save_dirpath)
    pdf_reader = PdfFileReader(filepath)
    # 讀取每一頁(yè)的數(shù)據(jù)
    pages = pdf_reader.getNumPages()
    for page in range(0, pages, step):
        pdf_writer = PdfFileWriter()
        # 拆分pdf，每 step 頁(yè)的拆分為一個(gè)文件
        for index in range(page, page+step):
            if index < pages:
                pdf_writer.addPage(pdf_reader.getPage(index))
        # 保存拆分后的小文件
        save_path = os.path.join(save_dirpath, filename+str(int(page/step)+1)+'.pdf')
        print(save_path)
        with open(save_path, "wb") as out:
            pdf_writer.write(out)

    print("文件已成功拆分，保存路徑為："+save_dirpath)
    
split_pdf(filename, filepath, save_dirpath, step=5)

以“易方達(dá)中小盤混合型證券投資基金2020年中期報(bào)告”為例，整個(gè) PDF 文件一共 46 頁(yè)，每5頁(yè)為間隔，最終生成了10個(gè)小的 PDF 文件

3. 批量合并

比起拆分來，合并的思路更加簡(jiǎn)單：

• 確定要合并的 文件順序
• 循環(huán)追加到一個(gè)文件塊中
• 保存成一個(gè)新的文件

對(duì)應(yīng)的代碼比較簡(jiǎn)單：

import os
from PyPDF2 import PdfFileReader, PdfFileWriter

def concat_pdf(filename, read_dirpath, save_filepath):
    """
    合并多個(gè)PDF文件
    @param filename:文件名
    @param read_dirpath:要合并的PDF目錄
    @param save_filepath:合并后的PDF文件路徑
    @return:
    """
    pdf_writer = PdfFileWriter()
    # 對(duì)文件名進(jìn)行排序
    list_filename = os.listdir(read_dirpath)
    list_filename.sort(key=lambda x: int(x[:-4].replace(filename, "")))
    for filename in list_filename:
        print(filename)
        filepath = os.path.join(read_dirpath, filename)
        # 讀取文件并獲取文件的頁(yè)數(shù)
        pdf_reader = PdfFileReader(filepath)
        pages = pdf_reader.getNumPages()
        # 逐頁(yè)添加
        for page in range(pages):
            pdf_writer.addPage(pdf_reader.getPage(page))
    # 保存合并后的文件
    with open(save_filepath, "wb") as out:
        pdf_writer.write(out)
    print("文件已成功合并，保存路徑為："+save_filepath)
    
concat_pdf(filename, read_dirpath, save_filepath)

4. 提取文字內(nèi)容

涉及到具體的 PDF 內(nèi)容 操作，本小節(jié)需要用到 pdfplumber 這個(gè)庫(kù)

在進(jìn)行文字提取的時(shí)候，主要用到 extract_text 這個(gè)函數(shù)

具體代碼如下：

import os
import pdfplumber

def extract_text_info(filepath):
    """
    提取PDF中的文字
    @param filepath:文件路徑
    @return:
    """
    with pdfplumber.open(filepath) as pdf:
        # 獲取第2頁(yè)數(shù)據(jù)
        page = pdf.pages[1]
        print(page.extract_text())
        
# 提取文字內(nèi)容
extract_text_info(filepath)

可以看到，直接通過下標(biāo)即可定位到相應(yīng)的頁(yè)碼，從而通過 extract_text 函數(shù)提取該也的所有文字

而如果想要提取所有頁(yè)的文字，只需要改成：

with pdfplumber.open(filepath) as pdf:
 # 獲取全部數(shù)據(jù)
 for page in pdf.pages
     print(page.extract_text())

例如，提取“易方達(dá)中小盤混合型證券投資基金2020年中期報(bào)告” 第一頁(yè)的內(nèi)容時(shí)，源文件是這樣的：

運(yùn)行代碼后提取出來是這樣的：

5. 提取表格內(nèi)容

同樣的，本節(jié)是對(duì)具體內(nèi)容的操作，所以也需要用到 pdfplumber 這個(gè)庫(kù)

和提取文字十分類似的是，提取表格內(nèi)容只是將 extract_text 函數(shù)換成了 extract_table 函數(shù)

對(duì)應(yīng)的代碼如下：

import os
import pandas as pd
import pdfplumber

def extract_table_info(filepath):
    """
    提取PDF中的圖表數(shù)據(jù)
    @param filepath:
    @return:
    """
    with pdfplumber.open(filepath) as pdf:
        # 獲取第18頁(yè)數(shù)據(jù)
        page = pdf.pages[17]
        # 如果一頁(yè)有一個(gè)表格，設(shè)置表格的第一行為表頭，其余為數(shù)據(jù)
        table_info = page.extract_table()
        df_table = pd.DataFrame(table_info[1:], columns=table_info[0])
        df_table.to_csv('dmeo.csv', index=False, encoding='gbk')
        
# 提取表格內(nèi)容
extract_table_info(filepath)

上面代碼可以獲取到第 18 頁(yè)的第一個(gè)表格內(nèi)容，并且將其保存為 csv 文件存在本地

但是，如果說第 18 頁(yè)有多個(gè)表格內(nèi)容呢？

因?yàn)樽x取的表格會(huì)被存成二維數(shù)組，而多個(gè)二維數(shù)組就組成一個(gè)三維數(shù)組

遍歷這個(gè)三位數(shù)組，就可以得到該頁(yè)的每一個(gè)表格數(shù)據(jù)，對(duì)應(yīng)的將 extract_table 函數(shù) 改成 extract_tables 即可

具體代碼如下：

# 如果一頁(yè)有多個(gè)表格，對(duì)應(yīng)的數(shù)據(jù)是一個(gè)三維數(shù)組
tables_info = page.extract_tables()
for index in range(len(tables_info)):
    # 設(shè)置表格的第一行為表頭，其余為數(shù)據(jù)
    df_table = pd.DataFrame(tables_info[index][1:], columns=tables_info[index][0])
    print(df_table)
    # df_table.to_csv('dmeo.csv', index=False, encoding='gbk')

以“易方達(dá)中小盤混合型證券投資基金2020年中期報(bào)告” 第 xx 頁(yè)的第一個(gè)表格為例：

源文件中的表格是這樣的：

提取并存入 excel 之后的表格是這樣的：

6. 提取圖片內(nèi)容

提取 PDF 中的圖片和將 PDF 轉(zhuǎn)存為圖片是不一樣的（下一小節(jié)），需要區(qū)分開。

提取圖片：顧名思義，就是將內(nèi)容中的圖片都提取出來；

轉(zhuǎn)存為圖片：則是將每一頁(yè)的 PDF 內(nèi)容存成一頁(yè)一頁(yè)的圖片，下一小節(jié)會(huì)詳細(xì)說明

轉(zhuǎn)存為圖片中，需要用到一個(gè)模塊叫 fitz，fitz 的最新版 1.18.13，非最新版的在部分函數(shù)名稱上存在差異，代碼中會(huì)標(biāo)記出來

使用 fitz 需要先安裝 PyMuPDF 模塊，安裝方式如下：

pip install PyMuPDF

提取圖片的整體邏輯如下：

• 使用 fitz 打開文檔，獲取文檔詳細(xì)數(shù)據(jù)
• 遍歷每一個(gè)元素，通過正則找到圖片的索引位置
• 使用 Pixmap 將索引對(duì)應(yīng)的元素生成圖片
• 通過 size 函數(shù)過濾較小的圖片

實(shí)現(xiàn)的具體代碼如下：

import os
import re
import fitz

def extract_pic_info(filepath, pic_dirpath):
    """
    提取PDF中的圖片
    @param filepath:pdf文件路徑
    @param pic_dirpath:要保存的圖片目錄路徑
    @return:
    """
    if not os.path.exists(pic_dirpath):
        os.makedirs(pic_dirpath)
    # 使用正則表達(dá)式來查找圖片
    check_XObject = r"/Type(?= */XObject)"
    check_Image = r"/Subtype(?= */Image)"
    img_count = 0

    """1. 打開pdf，打印相關(guān)信息"""
    pdf_info = fitz.open(filepath)
    # 1.16.8版本用法 xref_len = doc._getXrefLength()
    # 最新版本
    xref_len = pdf_info.xref_length()
    # 打印PDF的信息
    print("文件名：{}, 頁(yè)數(shù): {}, 對(duì)象: {}".format(filepath, len(pdf_info), xref_len-1))

    """2. 遍歷PDF中的對(duì)象，遇到是圖像才進(jìn)行下一步，不然就continue"""
    for index in range(1, xref_len):
        # 1.16.8版本用法 text = doc._getXrefString(index)
        # 最新版本
        text = pdf_info.xref_object(index)

        is_XObject = re.search(check_XObject, text)
        is_Image = re.search(check_Image, text)
        # 如果不是對(duì)象也不是圖片，則不操作
        if is_XObject or is_Image:
            img_count += 1
            # 根據(jù)索引生成圖像
            pix = fitz.Pixmap(pdf_info, index)
            pic_filepath = os.path.join(pic_dirpath, 'img_' + str(img_count) + '.png')
            """pix.size 可以反映像素多少，簡(jiǎn)單的色素塊該值較低，可以通過設(shè)置一個(gè)閾值過濾。以閾值 10000 為例過濾"""
            # if pix.size < 10000:
            #     continue

            """三、 將圖像存為png格式"""
            if pix.n >= 5:
                # 先轉(zhuǎn)換CMYK
                pix = fitz.Pixmap(fitz.csRGB, pix)
            # 存為PNG
            pix.writePNG(pic_filepath)
            
# 提取圖片內(nèi)容
extract_pic_info(filepath, pic_dirpath)

以本節(jié)示例的“易方達(dá)中小盤混合型證券投資基金2020年中期報(bào)告” 中的圖片為例，代碼運(yùn)行后提取的圖片如下：

這個(gè)結(jié)果和文檔中的共 1 張圖片的 結(jié)果符合

7. 轉(zhuǎn)換為圖片

轉(zhuǎn)換為照片比較簡(jiǎn)單，就是將一頁(yè)頁(yè)的 PDF 轉(zhuǎn)換為一張張的圖片。大致過程如下：

安裝 pdf2image

首先需要安裝對(duì)應(yīng)的庫(kù)，最新的 pdf2image 庫(kù)版本應(yīng)該是 1.14.0

它的 github地址 為：https://github.com/Belval/pdf2image ，感興趣的可以自行了解

安裝方式如下：

pip install pdf2image

安裝組件

對(duì)于不同的平臺(tái)，需要安裝相應(yīng)的組件，這里以 windows 平臺(tái)和 mac 平臺(tái)為例：

Windows 平臺(tái)

對(duì)于 windows 用戶需要安裝 poppler for Windows，安裝鏈接是：http://blog.alivate.com.au/poppler-windows/

另外，還需要添加環(huán)境變量， 將 bin 文件夾的路徑添加到環(huán)境變量 PATH 中

注意這里配置之后需要重啟一下電腦才會(huì)生效，不然會(huì)報(bào)錯(cuò)

Mac

對(duì)于 mac 用戶，需要安裝 poppler for Mac，具體可以參考這個(gè)鏈接：http://macappstore.org/poppler/

詳細(xì)代碼如下：

import os
from pdf2image import convert_from_path, convert_from_bytes

def convert_to_pic(filepath, pic_dirpath):
    """
    每一頁(yè)的PDF轉(zhuǎn)換成圖片
    @param filepath:pdf文件路徑
    @param pic_dirpath:圖片目錄路徑
    @return:
    """
    print(filepath)
    if not os.path.exists(pic_dirpath):
        os.makedirs(pic_dirpath)

    images = convert_from_bytes(open(filepath, 'rb').read())
    # images = convert_from_path(filepath, dpi=200)
    for image in images:
        # 保存圖片
        pic_filepath = os.path.join(pic_dirpath, 'img_'+str(images.index(image))+'.png')
        image.save(pic_filepath, 'PNG')
        
# PDF轉(zhuǎn)換為圖片
convert_to_pic(filepath, pic_dirpath)

以本節(jié)示例的“易方達(dá)中小盤混合型證券投資基金2020年中期報(bào)告” 中的圖片為例，該文檔共 46 頁(yè)，保存后的 PDF 照片如下：

一共 46 張圖片

8. 添加水印

添加水印后的效果如下：

在制作水印的時(shí)候，可以自定義水印內(nèi)容、透明度、斜度、字間寬度等等，可操作性比較好。

前面專門寫過一篇文章，講的特別詳細(xì)：Python快速給PDF文件添加自定義水印 

9. 文檔加密與解密

你可能在打開部分 PDF 文件的時(shí)候，會(huì)彈出下面這個(gè)界面：

這種就是 PDF 文件被加密了，在打開的時(shí)候需要相應(yīng)的密碼才行

本節(jié)所提到的也只是基于 PDF 文檔的加密解密，而不是所謂的 PDF 密碼破解。

在對(duì) PDF 文件加密需要使用 encrypt 函數(shù)，對(duì)應(yīng)的加密代碼也比較簡(jiǎn)單：

import os
from PyPDF2 import PdfFileReader, PdfFileWriter

def encrypt_pdf(filepath, save_filepath, passwd='xiaoyi'):
    """
    PDF文檔加密
    @param filepath:PDF文件路徑
    @param save_filepath:加密后的文件保存路徑
    @param passwd:密碼
    @return:
    """
    pdf_reader = PdfFileReader(filepath)
    pdf_writer = PdfFileWriter()

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

    # 添加密碼
    pdf_writer.encrypt(passwd)
    with open(save_filepath, "wb") as out:
        pdf_writer.write(out)
        
# 文檔加密
encrypt_pdf(filepath, save_filepath, passwd='xiaoyi')

代碼執(zhí)行成功后再次打開 PDF 文件則需要輸入密碼才行

根據(jù)這個(gè)思路，破解 PDF 也可以通過暴力求解實(shí)現(xiàn)，例如：通過本地密碼本一個(gè)個(gè)去嘗試，或者根據(jù)數(shù)字+字母的密碼形式循環(huán)嘗試，最終成功打開的密碼就是破解密碼

上述破解方法耗時(shí)耗力，不建議嘗試

另外，針對(duì)已經(jīng)加密的 PDF 文件，也可以使用 decrypt 函數(shù)進(jìn)行解密操作

解密代碼如下：

def decrypt_pdf(filepath, save_filepath, passwd='xiaoyi'):
    """
    解密 PDF 文檔并且保存為未加密的 PDF
    @param filepath:PDF文件路徑
    @param save_filepath:解密后的文件保存路徑
    @param passwd:密碼
    @return:
    """
    pdf_reader = PdfFileReader(filepath)
    # PDF文檔解密
    pdf_reader.decrypt('xiaoyi')

    pdf_writer = PdfFileWriter()
    for page_index in range(pdf_reader.getNumPages()):
        pdf_writer.addPage(pdf_reader.getPage(page_index))

    with open(save_filepath, "wb") as out:
        pdf_writer.write(out)
        
# 文檔解密
decrypt_pdf(filepath, save_filepath, passwd='xiaoyi')

解密完成后的 PDF 文檔打開后不再需要輸入密碼，如需加密可再次執(zhí)行加密代碼。