【pypdf2】安装、读取和保存、访问页面、获取文本、读写元数据、加密解密

1.安装pypdf2

pip install PyPDF2
1

2.打开和保存PDF文件

pypdf2有PdfReader和PdfWriter两个对象分别用于读和写，reader()方法直接指定PDF文件的路径即可读取PDF文件，writer可以临时保存PDF内容，然后调用write()方法传入文件句柄即可保存到硬盘

from PyPDF2 import PdfReader, PdfWriter

reader = PdfReader("test.pdf")  # 打开一个reader用于读取PDF文件
writer = PdfWriter()  # 打开一个writer用于写入PDF
writer.add_page(reader.getPage(0))  # # 把PDF第一页添加到writer
# 保存PDF
with open("test2.pdf", "wb") as f:
    writer.write(f)
1
2
3
4
5
6
7
8

添加空白页可以通过addBlankPage()方法，但注意，如果PdfWriter对象是空的，你需要指定宽高才能添加空白页，如果PdfWriter已有页面不指定宽高则采用上一页的宽高。可以通过PageObject对象的mediabox属性查看宽高信息

from PyPDF2 import PdfReader, PdfWriter

writer = PdfWriter()
writer.addBlankPage(612, 810)  # 如果writer是一个空白的页面
writer.addBlankPage()  # 添加一页空白页
print(writer.getPage(0).mediabox)  # 查看页面宽高

with open("test2.pdf", "wb") as f:
    writer.write(f)
1
2
3
4
5
6
7
8
9

3.获取页面

我们可以通过下标获取页面或者直接遍历所有页面，返回得到PageObject对象

from PyPDF2 import PdfReader

reader = PdfReader("test.pdf")
# 获取总页数
page_count = reader.getNumPages()
# 下标取值，获取第1页
page = reader.getPage(0)  
# 遍历所有页面
for page in reader.pages:  
    print(reader.getPageNumber(page))  # 获取page所在页码号
1
2
3
4
5
6
7
8
9
10

4.获取PDF文本内容

PageObject对象有一个extract_text()方法可以获取该页面的文本字符串，但是注意，官方文档提到只是简单获取文本，不保证公式等排版等信息是否正确

from PyPDF2 import PdfReader, PdfWriter

reader = PdfReader("test.pdf")

for index, page in enumerate(reader.pages):  # 遍历所有页面
    print(f"第{index}页文本：")
    print(page.extract_text())
1
2
3
4
5
6
7

5.读写元数据

一份PDF可以保存标题、作者、修改时间等元数据信息，当然我们也可以修改

from PyPDF2 import PdfReader, PdfWriter

reader = PdfReader("test.pdf")

# 获取元数据信息
meta = reader.metadata  # 返回一个类字典的DocumentInformation对象
# meta = reader.getDocumentInfo())  # 也reader.metadata等价
print(type(meta), len(meta), meta)  # {'/Producer': 'Adobe LiveCycle PDF Generator', '/ModDate': ...}

print(meta.author)  # 作者
print(meta.creator)  # 创建者
print(meta.producer)  # 制作者
print(meta.title)  # 标题
print(meta.subject)  # 子标题
print(meta.getText("/ModDate"))  # 获取其他键值

# 更新元数据
meta.update({"/Author": "pan"})
writer = PdfWriter()
for page in reader.pages:
    writer.add_page(page)
writer.add_metadata(meta)  # 该参数也可以直接是字典类型
with open("test2.pdf", "wb") as f:
    writer.write(f)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

如果某个元数据键值不存在则返回None

6.加密解密

加密解密过程很简单，只需要传入秘钥调用对应的encrypt()和decrypt()即可

from PyPDF2 import PdfReader, PdfWriter

writer = PdfWriter()
writer.addBlankPage(612, 810)

secret = "fLa5fpao%3paH"  # 密码

# 加密
writer.encrypt(secret)

with open("test2.pdf", "wb") as f:
    writer.write(f)

reader = PdfReader("test2.pdf")
# 判断是否加密
if reader.is_encrypted:
    # 解密
    reader.decrypt(secret)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

需要注意的是，调用decrypt()解密即使密码不对也不会报错，但后期你访问或操作该PDF会报错