PDF（Portable Document Format，便携式文档格式）是一种广泛使用的文档格式，具有跨平台、稳定性好、安全性高等特点。在办公自动化中，PDF文档处理是一项常见需求。本文将介绍如何使用Python实现PDF文档的自动化处理，包括读写、合并拆分、提取内容、添加水印等操作。
使用pymupdf读写PDF文件
基本概念
一个真实的PDF文件主要由四大部分构成，分别是文件头（Header）、文件主体（Body）、交叉引用表（Cross-Reference Table）和文件尾（Trailer）。了解这些基本结构有助于我们更好地处理PDF文件。
安装pymupdf
pip install pymupdf
提取文本内容
pymupdf库（也称为fitz）可以轻松实现对PDF文件的读写操作。以下是提取PDF文本内容的示例：
import fitz # pymupdf的导入名称是fitzdef extract_text_from_pdf(pdf_path):"""从PDF文件中提取所有文本内容"""# 打开PDF文件doc = fitz.open(pdf_path)# 创建一个空字符串用于存储文本内容text = ""# 遍历每一页for page_num in range(len(doc)):# 获取当前页面page = doc[page_num]# 提取文本page_text = page.get_text()# 添加页码信息和页面文本text += f"\n--- 第 {page_num + 1} 页 ---\n"text += page_text# 关闭文档doc.close()return text# 使用示例
pdf_path = "example.pdf" # 替换为实际的PDF文件路径
try:extracted_text = extract_text_from_pdf(pdf_path)print("提取的文本内容:")print(extracted_text[:500] + "..." if len(extracted_text) > 500 else extracted_text)# 将提取的文本保存到文件with open("extracted_text.txt", "w", encoding="utf-8") as f:f.write(extracted_text)print("文本已保存到 extracted_text.txt")except Exception as e:print(f"提取文本时出错: {e}")
提取图像
一个PDF文件通常会包含图像元素，图像作为PDF文件中的对象也会记录在交叉引用表中。在pymupdf库中，可以通过相应的方法获取交叉引用表中记录的对象ID编号，并将其称为xref整数。
import fitz
import osdef extract_images_from_pdf(pdf_path, output_folder="extracted_images"):"""从PDF文件中提取所有图像"""# 确保输出文件夹存在if not os.path.exists(output_folder):os.makedirs(output_folder)# 打开PDF文件doc = fitz.open(pdf_path)# 用于记录提取的图像数量image_count = 0# 遍历每一页for page_num in range(len(doc)):# 获取当前页面page = doc[page_num]# 获取页面上的图像列表image_list = page.get_images()# 遍历图像列表for img_index, img in enumerate(image_list):# 获取图像的xrefxref = img[0]# 获取图像信息base_image = doc.extract_image(xref)image_bytes = base_image["image"]image_ext = base_image["ext"]# 生成输出文件名output_filename = f"{output_folder}/page{page_num + 1}_img{img_index + 1}.{image_ext}"# 保存图像with open(output_filename, "wb") as f:f.write(image_bytes)image_count += 1# 关闭文档doc.close()return image_count# 使用示例
pdf_path = "example.pdf" # 替换为实际的PDF文件路径
try:num_images = extract_images_from_pdf(pdf_path)print(f"成功提取了 {num_images} 张图像到 'extracted_images' 文件夹")
except Exception as e:print(f"提取图像时出错: {e}")
添加水印
import fitzdef add_watermark_to_pdf(input_pdf, output_pdf, watermark_text):"""为PDF文件添加文字水印"""# 打开PDF文件doc = fitz.open(input_pdf)# 遍历每一页for page_num in range(len(doc)):# 获取当前页面page = doc[page_num]# 获取页面尺寸rect = page.rect# 创建一个透明的水印文本# 设置字体大小、颜色和透明度text_color = (0.5, 0.5, 0.5) # 灰色alpha = 0.3 # 透明度fontsize = 24# 在页面中心添加水印tw = fitz.TextWriter(rect)tw.append((rect.width/2, rect.height/2), watermark_text, fontsize=fontsize, color=text_color)tw.write_text(page, opacity=alpha)# 保存修改后的PDFdoc.save(output_pdf)doc.close()return output_pdf# 使用示例
input_pdf = "example.pdf" # 替换为实际的PDF文件路径
output_pdf = "watermarked.pdf"
watermark_text = "机密文件 - 请勿外传"try:result_pdf = add_watermark_to_pdf(input_pdf, output_pdf, watermark_text)print(f"已成功添加水印并保存为: {result_pdf}")
except Exception as e:print(f"添加水印时出错: {e}")
使用pdfplumber提取PDF中表格
PDF文件中通常会有表格元素，如果想提取表格元素中的内容，可以使用pdfplumber库。
安装pdfplumber
pip install pdfplumber
提取表格数据
pdfplumber库提供的extract_table方法可以轻松提取PDF文件中某页的所有表格，对于缺少边界的表格，pdfplumber库会利用文本位置信息进行猜测，从而定位出不可见边界的位置。
import pdfplumber
import pandas as pddef extract_tables_from_pdf(pdf_path):"""从PDF文件中提取所有表格"""# 打开PDF文件with pdfplumber.open(pdf_path) as pdf:all_tables = []# 遍历每一页for page_num, page in enumerate(pdf.pages):# 提取表格tables = page.extract_tables()if tables:print(f"在第 {page_num + 1} 页找到 {len(tables)} 个表格")# 处理每个表格for table_num, table in enumerate(tables):# 创建DataFramedf = pd.DataFrame(table[1:], columns=table[0])# 添加页码和表格编号信息df['页码'] = page_num + 1df['表格编号'] = table_num + 1all_tables.append(df)else:print(f"在第 {page_num + 1} 页没有找到表格")# 如果找到了表格，合并所有表格if all_tables:combined_df = pd.concat(all_tables, ignore_index=True)return combined_dfelse:return None# 使用示例
pdf_path = "example_with_tables.pdf" # 替换为包含表格的PDF文件路径
try:tables_df = extract_tables_from_pdf(pdf_path)if tables_df is not None:print("\n提取的表格数据:")print(tables_df.head())# 将表格数据保存到Excel文件excel_path = "extracted_tables.xlsx"tables_df.to_excel(excel_path, index=False)print(f"表格数据已保存到: {excel_path}")else:print("未在PDF中找到任何表格")except Exception as e:print(f"提取表格时出错: {e}")
使用PyPDF2操控PDF文件
PyPDF2是一个流行的Python库，用于处理PDF文件。它能完成PDF文件的信息提取、拆分、合并、页面裁剪、加密/解密等多种操作。
安装PyPDF2
pip install PyPDF2
合并PDF文件
from PyPDF2 import PdfMergerdef merge_pdfs(pdf_files, output_path):"""合并多个PDF文件"""merger = PdfMerger()# 添加每个PDF文件for pdf in pdf_files:try:merger.append(pdf)print(f"已添加: {pdf}")except Exception as e:print(f"添加 {pdf} 时出错: {e}")# 保存合并后的PDFmerger.write(output_path)merger.close()return output_path# 使用示例
pdf_files = ["document1.pdf", "document2.pdf", "document3.pdf"] # 替换为实际的PDF文件路径
output_path = "merged_document.pdf"try:result_path = merge_pdfs(pdf_files, output_path)print(f"已成功合并PDF文件并保存为: {result_path}")
except Exception as e:print(f"合并PDF文件时出错: {e}")
拆分PDF文件
from PyPDF2 import PdfReader, PdfWriter
import osdef split_pdf(input_pdf, output_folder="split_pages"):"""将PDF文件拆分为单页文件"""# 确保输出文件夹存在if not os.path.exists(output_folder):os.makedirs(output_folder)# 打开PDF文件reader = PdfReader(input_pdf)total_pages = len(reader.pages)# 获取文件名（不含扩展名）base_name = os.path.splitext(os.path.basename(input_pdf))[0]# 拆分每一页for page_num in range(total_pages):writer = PdfWriter()writer.add_page(reader.pages[page_num])# 生成输出文件名output_filename = f"{output_folder}/{base_name}_page_{page_num + 1}.pdf"# 保存单页PDFwith open(output_filename, "wb") as output_file:writer.write(output_file)print(f"已保存第 {page_num + 1} 页到: {output_filename}")return total_pages# 使用示例
input_pdf = "example.pdf" # 替换为实际的PDF文件路径
try:num_pages = split_pdf(input_pdf)print(f"已成功将 {input_pdf} 拆分为 {num_pages} 个单页PDF文件")
except Exception as e:print(f"拆分PDF文件时出错: {e}")
加密和解密PDF
from PyPDF2 import PdfReader, PdfWriterdef encrypt_pdf(input_pdf, output_pdf, password):"""加密PDF文件"""reader = PdfReader(input_pdf)writer = PdfWriter()# 复制所有页面for page in reader.pages:writer.add_page(page)# 设置密码和加密选项writer.encrypt(password)# 保存加密后的PDFwith open(output_pdf, "wb") as output_file:writer.write(output_file)return output_pdfdef decrypt_pdf(input_pdf, output_pdf, password):"""解密PDF文件"""reader = PdfReader(input_pdf)# 检查PDF是否加密if reader.is_encrypted:# 尝试使用密码解密if reader.decrypt(password) != 1:raise ValueError("密码不正确")else:print("警告: 输入的PDF文件未加密")writer = PdfWriter()# 复制所有页面for page in reader.pages:writer.add_page(page)# 保存解密后的PDFwith open(output_pdf, "wb") as output_file:writer.write(output_file)return output_pdf# 使用示例 - 加密
input_pdf = "example.pdf" # 替换为实际的PDF文件路径
encrypted_pdf = "encrypted_document.pdf"
password = "secure123" # 设置密码try:result_path = encrypt_pdf(input_pdf, encrypted_pdf, password)print(f"已成功加密PDF文件并保存为: {result_path}")
except Exception as e:print(f"加密PDF文件时出错: {e}")# 使用示例 - 解密
decrypted_pdf = "decrypted_document.pdf"try:result_path = decrypt_pdf(encrypted_pdf, decrypted_pdf, password)print(f"已成功解密PDF文件并保存为: {result_path}")
except Exception as e:print(f"解密PDF文件时出错: {e}")
使用wkhtmltopdf将网页转为PDF
wkhtmltopdf是一个开源工具，可以将HTML页面转换为PDF文档。它可以通过命令行直接使用，也可以通过Python的pdfkit库进行调用。
安装wkhtmltopdf和pdfkit
-
首先，需要安装wkhtmltopdf工具：
- 在macOS上：
brew install wkhtmltopdf - 在Windows上：从官方网站下载安装程序
- 在Linux上：
sudo apt-get install wkhtmltopdf（Ubuntu/Debian）或sudo yum install wkhtmltopdf（CentOS/RHEL）
- 在macOS上：
-
然后，安装pdfkit Python库：
pip install pdfkit
将网页转换为PDF
import pdfkitdef url_to_pdf(url, output_pdf):"""将URL指向的网页转换为PDF"""try:# 配置wkhtmltopdf路径（如果不在系统PATH中）# config = pdfkit.configuration(wkhtmltopdf='/path/to/wkhtmltopdf')# pdfkit.from_url(url, output_pdf, configuration=config)# 如果wkhtmltopdf在系统PATH中pdfkit.from_url(url, output_pdf)print(f"已成功将 {url} 转换为PDF: {output_pdf}")return output_pdfexcept Exception as e:print(f"转换网页到PDF时出错: {e}")return Nonedef html_to_pdf(html_file, output_pdf):"""将HTML文件转换为PDF"""try:pdfkit.from_file(html_file, output_pdf)print(f"已成功将 {html_file} 转换为PDF: {output_pdf}")return output_pdfexcept Exception as e:print(f"转换HTML文件到PDF时出错: {e}")return Nonedef html_string_to_pdf(html_content, output_pdf):"""将HTML字符串转换为PDF"""try:pdfkit.from_string(html_content, output_pdf)print(f"已成功将HTML内容转换为PDF: {output_pdf}")return output_pdfexcept Exception as e:print(f"转换HTML字符串到PDF时出错: {e}")return None# 使用示例 - 从URL创建PDF
url = "https://www.example.com" # 替换为实际的URL
output_pdf = "webpage.pdf"
url_to_pdf(url, output_pdf)# 使用示例 - 从HTML文件创建PDF
html_file = "example.html" # 替换为实际的HTML文件路径
output_pdf = "from_html_file.pdf"
html_to_pdf(html_file, output_pdf)# 使用示例 - 从HTML字符串创建PDF
html_content = """<!DOCTYPE html>
<html>
<head><title>测试页面</title>
</head>
<body><h1>Hello, World!</h1><p>这是一个由HTML字符串生成的PDF文档。</p>
</body>
</html>"""
output_pdf = "from_html_string.pdf"
html_string_to_pdf(html_content, output_pdf)
将网页转换为图片
除了转换为PDF，wkhtmltoimage工具（wkhtmltopdf的一部分）还可以将网页转换为图片：
import subprocessdef url_to_image(url, output_image):"""将URL指向的网页转换为图片"""try:# 执行wkhtmltoimage命令command = ["wkhtmltoimage", url, output_image]subprocess.run(command, check=True)print(f"已成功将 {url} 转换为图片: {output_image}")return output_imageexcept subprocess.CalledProcessError as e:print(f"转换网页到图片时出错: {e}")return Noneexcept Exception as e:print(f"发生错误: {e}")return None# 使用示例
url = "https://www.example.com" # 替换为实际的URL
output_image = "webpage.jpg"
url_to_image(url, output_image)
从Word/Excel导出PDF报告
从Word导出PDF
from docx2pdf import convertdef word_to_pdf(input_docx, output_pdf=None):"""将Word文档转换为PDF"""try:# 如果未指定输出PDF路径，则使用相同的文件名但扩展名为.pdfif output_pdf is None:output_pdf = input_docx.replace(".docx", ".pdf")# 转换Word文档为PDFconvert(input_docx, output_pdf)print(f"已成功将 {input_docx} 转换为PDF: {output_pdf}")return output_pdfexcept Exception as e:print(f"转换Word到PDF时出错: {e}")return None# 使用示例
input_docx = "example.docx" # 替换为实际的Word文档路径
word_to_pdf(input_docx)
从Excel导出PDF
import win32com.client
import osdef excel_to_pdf(input_excel, output_pdf=None):"""将Excel文件转换为PDF（仅适用于Windows系统）"""try:# 如果未指定输出PDF路径，则使用相同的文件名但扩展名为.pdfif output_pdf is None:output_pdf = input_excel.replace(".xlsx", ".pdf").replace(".xls", ".pdf")# 获取绝对路径input_excel = os.path.abspath(input_excel)output_pdf = os.path.abspath(output_pdf)# 创建Excel应用程序实例excel = win32com.client.Dispatch("Excel.Application")excel.Visible = False# 打开Excel文件workbook = excel.Workbooks.Open(input_excel)# 将工作簿导出为PDFworkbook.ExportAsFixedFormat(0, output_pdf)# 关闭工作簿和Excel应用程序workbook.Close()excel.Quit()print(f"已成功将 {input_excel} 转换为PDF: {output_pdf}")return output_pdfexcept Exception as e:print(f"转换Excel到PDF时出错: {e}")return None# 使用示例（仅适用于Windows系统）
# input_excel = "example.xlsx" # 替换为实际的Excel文件路径
# excel_to_pdf(input_excel)
实际应用场景
场景一：批量处理发票PDF
import os
import fitz
import re
from datetime import datetime
import pandas as pddef process_invoice_pdfs(invoice_folder, output_excel):"""批量处理发票PDF，提取关键信息并生成汇总表"""# 存储提取的发票信息invoices_data = []# 获取文件夹中的所有PDF文件pdf_files = [f for f in os.listdir(invoice_folder) if f.lower().endswith('.pdf')]for pdf_file in pdf_files:pdf_path = os.path.join(invoice_folder, pdf_file)print(f"处理: {pdf_path}")try:# 打开PDF文件doc = fitz.open(pdf_path)# 提取第一页文本（假设发票信息在第一页）text = doc[0].get_text()# 使用正则表达式提取关键信息# 注意：以下正则表达式需要根据实际发票格式进行调整invoice_number = re.search(r'发票号码[：:](\s*\d+)', text)invoice_number = invoice_number.group(1).strip() if invoice_number else "未知"invoice_date = re.search(r'开票日期[：:](\s*\d{4}[年/-]\d{1,2}[月/-]\d{1,2})', text)invoice_date = invoice_date.group(1).strip() if invoice_date else "未知"amount = re.search(r'金额[：:]\s*¥?\s*(\d+\.\d{2})', text)amount = amount.group(1).strip() if amount else "0.00"# 将信息添加到列表invoices_data.append({'文件名': pdf_file,'发票号码': invoice_number,'开票日期': invoice_date,'金额': float(amount),})# 关闭文档doc.close()except Exception as e:print(f"处理 {pdf_file} 时出错: {e}")# 创建DataFrame并保存为Excelif invoices_data:df = pd.DataFrame(invoices_data)# 添加总计行total_amount = df['金额'].sum()df.loc[len(df)] = ['总计', '', '', total_amount]# 保存为Exceldf.to_excel(output_excel, index=False)print(f"已成功处理 {len(invoices_data)} 个发票PDF并保存汇总表到: {output_excel}")return output_excelelse:print("未找到有效的发票PDF文件")return None# 使用示例
invoice_folder = "invoices" # 替换为实际的发票PDF文件夹路径
output_excel = "invoice_summary.xlsx"# process_invoice_pdfs(invoice_folder, output_excel)
场景二：自动生成PDF报告
import pandas as pd
import matplotlib.pyplot as plt
import fitz
import os
from datetime import datetimedef generate_sales_report_pdf(sales_data_excel, output_pdf):"""根据销售数据生成PDF报告"""# 读取销售数据df = pd.read_excel(sales_data_excel)# 创建临时HTML文件html_path = "temp_report.html"# 生成图表plt.figure(figsize=(10, 6))df.groupby('产品')['销售额'].sum().plot(kind='bar')plt.title('各产品销售额对比')plt.ylabel('销售额')plt.tight_layout()chart_path = "sales_chart.png"plt.savefig(chart_path)# 计算汇总数据total_sales = df['销售额'].sum()avg_sales = df['销售额'].mean()max_product = df.loc[df['销售额'].idxmax()]['产品']max_sales = df['销售额'].max()# 生成HTML报告html_content = f"""<!DOCTYPE html><html><head><title>销售数据报告</title><style>body {{ font-family: Arial, sans-serif; margin: 40px; }}h1 {{ color: #2c3e50; text-align: center; }}.report-date {{ text-align: right; color: #7f8c8d; }}.summary {{ background-color: #f8f9fa; padding: 20px; border-radius: 5px; margin: 20px 0; }}table {{ width: 100%; border-collapse: collapse; margin: 20px 0; }}th, td {{ padding: 12px; text-align: left; border-bottom: 1px solid #ddd; }}th {{ background-color: #3498db; color: white; }}tr:hover {{ background-color: #f5f5f5; }}.chart {{ text-align: center; margin: 30px 0; }}.footer {{ text-align: center; margin-top: 50px; font-size: 12px; color: #7f8c8d; }}</style></head><body><div class="report-date">生成日期: {datetime.now().strftime('%Y年%m月%d日')}</div><h1>销售数据报告</h1><div class="summary"><h2>销售摘要</h2><p>总销售额: ¥{total_sales:,.2f}</p><p>平均销售额: ¥{avg_sales:,.2f}</p><p>最畅销产品: {max_product} (¥{max_sales:,.2f})</p></div><h2>销售数据明细</h2><table><tr><th>产品</th><th>销售量</th><th>销售额</th><th>日期</th></tr>"""# 添加表格数据for _, row in df.iterrows():html_content += f"""<tr><td>{row['产品']}</td><td>{row['销售量']}</td><td>¥{row['销售额']:,.2f}</td><td>{row['日期']}</td></tr>"""# 添加图表和页脚html_content += f"""</table><div class="chart"><h2>销售图表</h2><img src="{chart_path}" alt="销售数据图表" style="max-width: 100%;"></div><div class="footer"><p>此报告由Python自动生成 | 仅供内部使用</p></div></body></html>"""# 保存HTML文件with open(html_path, "w", encoding="utf-8") as f:f.write(html_content)# 将HTML转换为PDFimport pdfkittry:pdfkit.from_file(html_path, output_pdf)print(f"已成功生成销售报告PDF: {output_pdf}")# 清理临时文件os.remove(html_path)os.remove(chart_path)return output_pdfexcept Exception as e:print(f"生成PDF报告时出错: {e}")return None# 使用示例
sales_data_excel = "sales_data.xlsx" # 替换为实际的销售数据Excel文件路径
output_pdf = "sales_report.pdf"# generate_sales_report_pdf(sales_data_excel, output_pdf)
通过以上代码示例和应用场景，你可以轻松掌握Python PDF文档自动化的各种技巧，大幅提高工作效率。无论是提取文本和图像、合并拆分PDF、添加水印，还是从网页或Office文档生成PDF报告，Python都能帮你轻松应对。
