Python如何從PDF中提取元數據

這篇文章主要講解了“Python如何從PDF中提取元數據”，文中的講解內容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“Python如何從PDF中提取元數據”吧！

PyPdf PyPDF2 PyPDF4的歷史

最初的pyPdf軟件包于2005年發布。pyPdf的最后一個正式版本是在2010年。大約一年后，一家名為Phasit的公司贊助了一個名為PyPDF2的pyPdf分支。該代碼編寫為向后與原始代碼兼容，并且用了好多年，效果一直很好，其最后一個版本是在2016年。

有一個名為PyPDF3的軟件包簡短系列版本，然后該項目被重命名為PyPDF4。所有這些項目都完全相同，但pyPdf和PyPDF2 +之間的最大區別在于后者版本增加了Python 3支持。Python 3的原始pyPdf有一個不同的Python 3分支，但是這個分支已經多年沒有維護了。

雖然最近放棄了PyPDF2，但新的PyPDF4與PyPDF2沒有完全的向后兼容性。本文中的大多數示例都可以與PyPDF4完美配合，但也有一些不能，這就是為什么PyPDF4在本文中沒有更多的特色。隨意用PyPDF4替換PyPDF2的導入，看看它是如何工作的。

pdfrw：一個替代的PDF操作包

Patrick Maupin創建了一個名為pdfrw的軟件包，它可以完成許多與PyPDF2相同的工作。除了加密的特殊情況外，本文后面提到PyPDF2的所有操作，pdfrw均可以實現。

pdfrw的最大區別在于它與ReportLab軟件包集成，因此你可以使用一些或所有預先存在的PDF構建一個新的PDF。

PyPDF2的安裝

如果使用Anaconda而不是常規Python，可以使用pip或conda安裝PyPDF2。以下是使用pip安裝PyPDF2的方法：

$ pip install pypdf2

由于PyPDF2沒有任何依賴，因此安裝非常快。

如何從Python****中提取PDF文檔信息

我們可以使用PyPDF2從PDF中提取元數據和一些文本，尤其是當在預先存在的PDF文件上執行某些類型的自動化時是非常有用的。

以下是當前可以提取的數據類型：

• Author

• Creator

• Producer

• Subject

• Title

• Number of page

可以在自己的電腦上隨便找一個PDF文件進行嘗試操作。下面是使用該PDF編寫一些代碼，并了解如何訪問這些屬性：

from PyPDF2 import PdfFileReader
def extract_information(pdf_path):
 with open(pdf_path, 'rb') as f:
 pdf = PdfFileReader(f)
 information = pdf.getDocumentInfo()
 number_of_pages = pdf.getNumPages()
 txt = f"""
 Information about {pdf_path}:
 Author: {information.author}
 Creator: {information.creator}
 Producer: {information.producer}
 Subject: {information.subject}
 Title: {information.title}
 Number of pages: {number_of_pages}
 """
 print(txt)
 return information
if __name__ == '__main__':
 path = 'xxxx.pdf'
 extract_information(path)

首先從PyPDF2包導入PdfFileReader。PdfFileReader是一個具有多種與PDF文件交互的方法的類。在此示例中，我們調用了.getDocumentInfo()，它將返回DocumentInformation的實例,包含了我們感興趣的大部分信息。我們還可以在reader對象上調用.getNumPages()，讓它返回文檔中的頁數。

information這個變量具有多個實例屬性，可以使用這些屬性從文檔中獲取所需的其余元數據。我們可以打印出該信息并將其返回以備將來使用。

雖然PyPDF2具有.extractText()，可以在其頁面對象上使用提取文本（本例中未顯示），但它的效果不是很好。有些PDF會返回文本，有些會返回空字符串。如果要從PDF中提取文本，建議應該看一下PDFMiner項目。PDFMiner更加強大，專門用于從PDF中提取文本。

如何旋轉頁面？

有時候PDF是橫向模式而不是縱向模式，甚至是顛倒的。當有人掃描文檔為PDF或電子郵件時，很可能會發生這種情況。我們可以打印出文檔并閱讀紙質版本，也可以使用Python的強大功能來旋轉有問題的頁面。

下面看一下如何使用PyPDF2旋轉文章的一些頁面：

from PyPDF2 import PdfFileReader, PdfFileWriter
def rotate_pages(pdf_path):
 pdf_writer = PdfFileWriter()
 pdf_reader = PdfFileReader(path)
 # 順時針旋轉90度
 page_1 = pdf_reader.getPage(0).rotateClockwise(90)
 pdf_writer.addPage(page_1)
 # 逆時針旋轉90度
 page_2 = pdf_reader.getPage(1).rotateCounterClockwise(90)
 pdf_writer.addPage(page_2)
 # 在正常方向上添加一頁
 pdf_writer.addPage(pdf_reader.getPage(2))
 with open('rotate_pages.pdf', 'wb') as fh:
 pdf_writer.write(fh)
if __name__ == '__main__':
 path = '新路徑.pdf'
 rotate_pages(path)

上面除了pdfileReader之外，還導入了pdfileWriter，因為我們需要編寫一個新的pdf。rotate_pages()獲取要修改的PDF的路徑。在這個函數中，需要創建一個可以命名為pdf-writer的writer對象和一個名為pdf-reader的reader對象。

接下來，可以使用.get page()獲取所需的頁面。上面開始輸入了第0頁，也就是第一頁，調用page對象的.rotateClockwise()順時針旋轉方法并輸入90。然后同樣地，對于第二頁，調用.rotateCounterLockwise()逆時針旋轉并輸入90。

每次調用Rotation旋轉方法后，都會調用.addPage()，這將向writer對象添加頁面的旋轉版本。最后一頁是第3頁，沒有對其進行任何旋轉。最后，使用.write()把所有新頁寫入新的PDF。

如何合并PDF？

在許多情況下，我們希望將兩個或多個PDF合并到一個PDF中。例如，現在可能有一個標準的封面，需要轉到許多類型的報告中。這時候就可以使用python來幫助完成這類工作。

下面是實現的代碼，完成PDF合并的操作：

from PyPDF2 import PdfFileReader, PdfFileWriter
def merge_pdfs(paths, output):
 pdf_writer = PdfFileWriter()
 for path in paths:
 pdf_reader = PdfFileReader(path)
 for page in range(pdf_reader.getNumPages()):
 # 將每頁添加到writer對象
 pdf_writer.addPage(pdf_reader.getPage(page))
 # 寫入合并的pdf
 with open(output, 'wb') as out:
 pdf_writer.write(out)
if __name__ == '__main__':
 paths = ['document1.pdf', 'document2.pdf']
 merge_pdfs(paths, output='merged.pdf')

假如有一個要合并到一起的pdf列表時，可以直接使用merge_pdf函數完成。此函數采用了輸入路徑和輸出路徑作為參數。

首先遍歷輸入的paths，并為每個輸入創建一個PDF閱讀對象。然后遍歷PDF文件中的所有頁面，并使用.addpage()將這些頁面寫入writer對象。當完成對列表中所有PDF的所有頁面的寫入后，將在末尾寫入新的結果中。

如果不想合并每個PDF的所有頁面，可以通過添加一系列要添加的頁面來稍微增強這個腳本。挑戰一點的話，也可以使用Python的argparse模塊為這個函數創建一個命令行接口。

如何拆分PDF?

有時可能需要將PDF拆分為多個PDF，對于包含大量掃描內容的PDF來說尤其重要。以下是如何使用PyPDF2將PDF拆分為多個文件：

from PyPDF2 import PdfFileReader, PdfFileWriter
def split(path, name_of_split):
 pdf = PdfFileReader(path)
 for page in range(pdf.getNumPages()):
 pdf_writer = PdfFileWriter()
 pdf_writer.addPage(pdf.getPage(page))
 output = f'{name_of_split}{page}.pdf'
 with open(output, 'wb') as output_pdf:
 pdf_writer.write(output_pdf)
if __name__ == '__main__':
 path = 'xxx.pdf'
 split(path, 'jupyter_page')

這個函數中再次創建了PDF的reaer對象，并對其所讀取的頁面進行遍歷。對于PDF中的每個頁面，創建一個新的PDF的writer實例并向其添加單個頁面。然后，將該頁面寫入一個唯一命名的文件。腳本運行完畢后，就可以將原始PDF的每個頁面拆分為單獨的PDF。

如何添加水印？

水印是紙質或者電子文檔上的圖像或圖案，一些水印只能在特殊照明條件下才能看到。水印的重要性在于它可以保護你的知識產權，例如圖像或PDF。

我們可以使用Python和PyPDF2為文檔添加水印，而且是擁有僅包含水印圖像或文本的PDF。下面是向PDF添加水印方法：

from PyPDF2 import PdfFileWriter, PdfFileReader

def create_watermark(input_pdf, output, watermark):

watermark_obj = PdfFileReader(watermark)

watermark_page = watermark_obj.getPage(0)

pdf_reader = PdfFileReader(input_pdf)

pdf_writer = PdfFileWriter()

# 給所有頁面添加水印

for page in range(pdf_reader.getNumPages()):

page = pdf_reader.getPage(page)

page.mergePage(watermark_page)

pdf_writer.addPage(page)

with open(output, 'wb') as out:

pdf_writer.write(out)

if __name__ == '__main__':

create_watermark(

input_pdf='Jupyter_Notebook_An_Introduction.pdf',

output='watermarked_notebook.pdf',

watermark='watermark.pdf')

上面create_watermark有三個參數：

• input_pdf：要加水印的PDF文件路徑

• output：要保存PDF的水印版本的路徑

• watermark：包含水印圖像或文本的PDF

在代碼中，打開水印PDF并從文檔中抓取第一頁，因為這是水印應該駐留的位置。然后使用input_pdf和通用pdf_writer對象創建PDF的writer對象，以寫出帶水印的PDF。

下一步是遍歷input_pdf中的頁面，然后調用.mergePage()并以用上面讀取的水印對象watermark_page為參數，這樣會將watermark_page覆蓋在當前頁面的頂部，然后再將新合并的頁面添加到pdf_writer對象中。遍歷完成后，最后將新加水印的PDF寫入磁盤。

如何加密PDF？

PyPDF2目前僅支持將用戶密碼和所有者密碼添加到預先存在的PDF。在PDF版本中，所有者密碼會提供PDF的管理員權限，并允許設置文檔的權限，而用戶密碼只允許打開文檔。

實際上，PyPDF2是不允許設置文檔的任何權限的，即使它允許設置所有者密碼的情況下。但無論如何，這是可以加密的方式，也將固有地加密PDF：

from PyPDF2 import PdfFileWriter, PdfFileReader
def add_encryption(input_pdf, output_pdf, password):
 pdf_writer = PdfFileWriter()
 pdf_reader = PdfFileReader(input_pdf)
 for page in range(pdf_reader.getNumPages()):
 pdf_writer.addPage(pdf_reader.getPage(page))
 pdf_writer.encrypt(user_pwd=password, owner_pwd=None, 
 use_128bit=True)
 with open(output_pdf, 'wb') as fh:
 pdf_writer.write(fh)
if __name__ == '__main__':
 add_encryption(input_pdf='reportlab-sample.pdf',
 output_pdf='reportlab-encrypted.pdf',
 password='twofish')

add_encryption以輸入輸出PDF路徑和要添加到PDF的密碼為參數。由于需要加密整個輸入PDF，因此需要遍歷其所有頁面并將其添加到writer編寫器。最后一步是調用.encrypt()，以用戶密碼，所有者密碼以及是否應該添加128位加密為參數。默認情況下，要啟用128位加密。如果將其設置為False，則將應用40位加密。

感謝各位的閱讀，以上就是“Python如何從PDF中提取元數據”的內容了，經過本文的學習后，相信大家對Python如何從PDF中提取元數據這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關知識點的文章，歡迎關注！