Python 自动化 PDF 处理：5 个高效技巧，告别重复劳动

在日常工作中，我们经常需要与 PDF 文件打交道，例如批量提取 PDF 中的数据、合并多个 PDF 文件、为 PDF 添加水印等等。手动处理这些任务不仅耗时，而且容易出错。Python 提供了丰富的库，可以帮助我们高效地自动化 PDF 处理，彻底告别重复劳动。本文将介绍 5 种使用 Python 自动化处理 PDF 的实用方法，并提供详细的代码示例和避坑经验。

方法一：PDFMiner.six – 提取 PDF 文本信息

PDFMiner.six 是一个用于从 PDF 文档中提取文本信息的 Python 库。它可以解析 PDF 文件，并提取其中的文本、字体、颜色等信息。比起直接解析二进制流，PDFMiner.six 更加稳定可靠。

安装 PDFMiner.six

pip install pdfminer.six

代码示例：提取 PDF 中的文本

from pdfminer.high_level import extract_text

def extract_text_from_pdf(pdf_path):
    text = extract_text(pdf_path)
    return text

pdf_file = 'example.pdf'
text = extract_text_from_pdf(pdf_file)
print(text)

避坑经验： PDFMiner.six 在处理一些复杂的 PDF 文档时，可能会出现乱码或提取失败的情况。可以尝试调整参数，例如指定编码方式，或者使用其他库进行处理。另外，对于扫描件类型的 PDF，可能需要先进行 OCR 识别。

方法二：PyPDF2 – 合并、分割和旋转 PDF

PyPDF2 是一个用于处理 PDF 文件的 Python 库，它可以合并多个 PDF 文件、分割 PDF 文件、旋转 PDF 页面、添加水印等等。PyPDF2 的 API 简单易用，非常适合用于批量处理 PDF 文件。

安装 PyPDF2

pip install PyPDF2

代码示例：合并多个 PDF 文件

from PyPDF2 import PdfFileMerger

def merge_pdfs(pdf_files, output_path):
    merger = PdfFileMerger()
    for pdf_file in pdf_files:
        merger.append(pdf_file)
    merger.write(output_path)
    merger.close()

pdf_files = ['file1.pdf', 'file2.pdf', 'file3.pdf']
output_path = 'merged.pdf'
merge_pdfs(pdf_files, output_path)

避坑经验： PyPDF2 在处理一些加密的 PDF 文件时，可能会出现问题。需要先解密 PDF 文件，才能进行合并、分割等操作。可以使用 PdfReader 对象的 decrypt() 方法来解密 PDF 文件。

方法三：ReportLab – 创建 PDF 文档

ReportLab 是一个用于创建 PDF 文档的 Python 库。它可以用于生成各种类型的 PDF 文档，例如报告、发票、合同等等。ReportLab 提供了丰富的 API，可以控制 PDF 文档的布局、字体、颜色等。

安装 ReportLab

pip install reportlab

代码示例：创建一个简单的 PDF 文档

from reportlab.pdfgen import canvas
from reportlab.lib.pagesizes import letter

def create_pdf(output_path):
    c = canvas.Canvas(output_path, pagesize=letter)
    c.drawString(100, 750, "Hello, ReportLab!")
    c.save()

output_path = 'hello.pdf'
create_pdf(output_path)

避坑经验： ReportLab 的 API 比较复杂，需要花费一些时间学习。可以参考官方文档和示例代码，逐步掌握 ReportLab 的使用方法。另外，在设计 PDF 文档的布局时，需要注意不同设备上的显示效果。

方法四：img2pdf – 将图片转换为 PDF

img2pdf 是一个用于将图片转换为 PDF 文件的 Python 库。它可以将 JPEG、PNG、TIFF 等格式的图片转换为 PDF 文件。img2pdf 可以保持图片的质量，并且可以批量转换多个图片。

安装 img2pdf

pip install img2pdf

代码示例：将一张图片转换为 PDF 文件

import img2pdf

def convert_image_to_pdf(image_path, output_path):
    with open(image_path, "rb") as f:
        img = f.read()
    pdf_bytes = img2pdf.convert(img)
    with open(output_path, "wb") as f:
        f.write(pdf_bytes)

image_path = 'image.jpg'
output_path = 'image.pdf'
convert_image_to_pdf(image_path, output_path)

避坑经验： img2pdf 在处理一些大型图片时，可能会占用较多的内存。可以尝试调整参数，例如降低图片的分辨率，或者使用其他库进行处理。此外，也可以考虑使用 Nginx 等 Web 服务器进行静态资源加速，提高图片转换的速度。

方法五：Ghostscript – PDF 转换和处理的瑞士军刀

Ghostscript 不是一个纯 Python 库，但它是一个强大的 PDF 处理工具，许多 Python 库（如 Pillow，通过调用 Ghostscript 来处理 PDF）都依赖于它。它可以将 PDF 转换为其他格式（如 PNG、JPEG）、合并 PDF、压缩 PDF 等。虽然需要额外安装，但它的功能非常全面。

安装 Ghostscript

根据你的操作系统进行安装。例如，在 Ubuntu 上：

sudo apt-get install ghostscript

代码示例：将 PDF 转换为 PNG (需要 Pillow)

from PIL import Image
import os

def convert_pdf_to_png(pdf_path, output_path):
    try:
        # 使用 Pillow 打开 PDF 的第一页
        img = Image.open(pdf_path)
        # 将图像保存为 PNG 格式
        img.save(output_path, 'PNG')
    except Exception as e:
        print(f"Error converting PDF to PNG: {e}")

pdf_file = 'example.pdf'
png_file = 'example.png'
convert_pdf_to_png(pdf_file, png_file)

避坑经验： 确保 Ghostscript 已正确安装并且在系统 PATH 环境变量中。Pillow 需要 Ghostscript 才能正确处理 PDF。 如果遇到权限问题，检查文件访问权限。

通过以上 5 种方法，你可以使用 Python 自动化处理 PDF 文件，提高工作效率，告别重复劳动。记住，选择合适的库取决于你的具体需求和场景。在实际应用中，可以结合多种方法，实现更复杂的 PDF 处理任务。例如，可以使用 Celery 搭建异步任务队列，配合 Nginx 反向代理，实现高并发的 PDF 处理服务。

Python 自动化处理 PDF 的实际应用场景

• 自动化报告生成： 从数据库或 API 提取数据，使用 ReportLab 生成美观的 PDF 报告。
• 批量合同处理： 合并多个合同 PDF，添加水印，并自动发送给客户。
• 电子书制作： 将 Markdown 文件转换为 PDF 电子书。
• 发票处理： 从扫描的发票中提取数据，并自动录入财务系统。

自动化 PDF 处理的潜力是巨大的，它可以极大地提高工作效率，减少人工错误。掌握这些技巧，将让你在工作中更加游刃有余。