Day 44：【99天精通Python】操作 PDF (PyPDF2) - 文档处理的屠龙刀

Day 44：【99天精通Python】操作 PDF (PyPDF2) - 文档处理的屠龙刀

前言

欢迎来到第44天！

在办公自动化领域，除了 Word 和 Excel，PDF是最常见的文件格式。它的特点是"所见即所得"，在任何设备上打开格式都不会乱。但这也导致它很难编辑。

你是否遇到过这些需求？

• 把 10 个 PDF 文件合并成一个。
• 把一个几百页的 PDF拆分成单独的章节。
• 从 PDF 中提取文本内容（虽然效果不一定完美）。
• 给 PDF 加密或添加水印。

Python 提供了多个 PDF 处理库，其中最流行、最轻量级的是PyPDF2。今天我们就来掌握这把处理 PDF 的屠龙刀。

本节内容：

• 安装 PyPDF2
• 读取 PDF 信息（页数、元数据）
• 提取文本内容
• 拆分 PDF 页面
• 合并多个 PDF
• 加密与解密 PDF

一、安装 PyPDF2

注意：PyPDF2 在 3.0 版本后 API 有较大变动（如PdfFileReader改名为PdfReader）。本教程使用最新的 3.x 版本。

pipinstallPyPDF2

二、读取 PDF 信息

我们需要一个测试文件sample.pdf。

fromPyPDF2importPdfReader# 1. 打开 PDFreader=PdfReader("sample.pdf")# 2. 获取总页数print(f"总页数:{len(reader.pages)}")# 3. 获取元数据 (作者、标题等)meta=reader.metadataprint(f"标题:{meta.title}")print(f"作者:{meta.author}")

2.1 提取文本 (Extract Text)

# 获取第一页page=reader.pages[0]# 提取文本text=page.extract_text()print(text)

注意：PDF 的本质是排版指令，而不是文本流。如果 PDF 是扫描件（全是图片），或者使用了特殊编码的字体，提取出来的可能是乱码或空字符串。对于扫描件，需要使用 OCR 技术（如pytesseract），这超出了 PyPDF2 的能力范围。

三、拆分 PDF (Split)

假设我们要把每一页单独保存为一个 PDF 文件。

fromPyPDF2importPdfReader,PdfWriter reader=PdfReader("sample.pdf")fori,pageinenumerate(reader.pages):# 创建一个写入器writer=PdfWriter()# 将当前页添加到写入器writer.add_page(page)# 保存文件filename=f"page_{i+1}.pdf"withopen(filename,"wb")asf:writer.write(f)print(f"已保存:{filename}")

四、合并 PDF (Merge)

把多个 PDF 合并成一个。PyPDF2 提供了更高级的PdfMerger类，比手动add_page更方便。

fromPyPDF2importPdfMergerimportos# 获取所有要合并的文件files=["report_part1.pdf","report_part2.pdf","report_part3.pdf"]merger=PdfMerger()forpdfinfiles:# append 可以直接追加文件merger.append(pdf)# 保存合并结果merger.write("report_final.pdf")merger.close()print("合并完成！")

进阶：插入到指定位置

# 把 part2 插在 part1 的第 2 页之后merger.append("part1.pdf")merger.merge(2,"part2.pdf")# 在索引2的位置插入

五、加密与解密

5.1 给 PDF 加密码

fromPyPDF2importPdfReader,PdfWriter reader=PdfReader("sample.pdf")writer=PdfWriter()# 将所有页复制到 writerforpageinreader.pages:writer.add_page(page)# 设置密码writer.encrypt("123456")# 保存withopen("locked.pdf","wb")asf:writer.write(f)

5.2 读取加密的 PDF

如果直接读取加密文件，会抛出错误或获取不到内容。

reader=PdfReader("locked.pdf")ifreader.is_encrypted:print("文件已加密，尝试解密...")# 尝试解密 (返回 True/False)ifreader.decrypt("123456"):print(f"解密成功，页数:{len(reader.pages)}")else:print("密码错误！")

六、实战练习：PDF 工具箱

编写一个命令行工具，根据用户输入实现合并或拆分功能。

importosfromPyPDF2importPdfReader,PdfWriter,PdfMergerdefsplit_pdf(filename):"""拆分 PDF 的每一页"""try:reader=PdfReader(filename)base_name=os.path.splitext(filename)[0]fori,pageinenumerate(reader.pages):writer=PdfWriter()writer.add_page(page)output=f"{base_name}_p{i+1}.pdf"withopen(output,"wb")asf:writer.write(f)print(f"拆分完成，共{len(reader.pages)}个文件。")exceptExceptionase:print(f"拆分失败:{e}")defmerge_pdfs(file_list,output_name="merged.pdf"):"""合并多个 PDF"""merger=PdfMerger()try:forpdfinfile_list:ifos.path.exists(pdf):merger.append(pdf)else:print(f"跳过不存在的文件:{pdf}")merger.write(output_name)print(f"合并完成:{output_name}")exceptExceptionase:print(f"合并失败:{e}")finally:merger.close()if__name__=="__main__":print("1. 拆分 PDF")print("2. 合并 PDF")choice=input("请选择: ")ifchoice=="1":path=input("请输入要拆分的 PDF 路径: ")split_pdf(path)elifchoice=="2":paths=input("请输入要合并的 PDF 路径 (用逗号分隔): ").split(",")# 去除空白paths=[p.strip()forpinpaths]merge_pdfs(paths)

七、常见问题

Q1：提取的文本是乱码？

这通常是因为 PDF 缺少字体映射表（CMap），或者是图片型 PDF。
解决方案：PyPDF2 搞不定。尝试pdfplumber库（提取效果更好），或者pytesseract（OCR 识别）。

Q2：合并后文件体积变大？

PDF 内部可能包含重复的字体或图片资源。合并时 PyPDF2 有时无法完美去重。可以使用 Acrobat Pro 进行优化，或者尝试pikepdf库。

Q3：如何旋转页面？

# 顺时针旋转 90 度page.rotate(90)

八、小结

关键要点：

1. 拆分：Reader读，Writer写。
2. 合并：直接用PdfMerger最快。
3. 局限性：对文本提取支持有限，不适合处理扫描件。

九、课后作业

1. 奇偶拆分：编写程序，将一个 PDF 拆分成两个文件：odd.pdf（包含第 1,3,5… 页）和even.pdf（包含第 2,4,6… 页）。
2. 页面旋转矫正：读取一个 PDF，将所有页面旋转 180 度（倒立），并保存为新文件。
3. 水印添加 (挑战)：结合 Day 42 (Pillow) 和 PyPDF2。先用 Pillow 生成一张透明的水印图片，转为 PDF，然后将水印 PDF 与目标 PDF 的每一页进行合并（Overlay）。（提示：page.merge_page()）。

下节预告

Day 45：进阶篇总结与展望- 我们的进阶之旅即将画上句号。明天我们将复盘进阶篇的核心知识体系，并为接下来的重头戏——实战篇 (数据分析与Web开发)做好准备！

系列导航：

• 上一篇：Day 43 - 发送邮件smtplib
• 下一篇：Day 45 - 进阶篇总结与展望（待更新）