冠军资讯
代码一只喵在日常工作中，我们经常需要处理大量的 PDF 文件，例如批量提取 PDF 中的文本信息、合并多个 PDF 文件、添加水印等等。如果手动操作，不仅效率低下，而且容易出错。本文将介绍 5 种使用 Python 自动化处理 PDF 的实用方法，帮助你告别重复劳动，提升工作效率。例如，使用 pdfminer.six 提取文本，配合正则表达式进行数据清洗，能极大提升效率。你甚至可以利用 ocr 技术，识别扫描版 PDF 的内容。
1. PDF 文本提取：告别复制粘贴
手动复制 PDF 中的文本，格式错乱不说，还容易漏掉内容。Python 提供了多种 PDF 文本提取库，其中 pdfminer.six 是一个功能强大且易于使用的选择。
代码示例：使用 pdfminer.six 提取 PDF 文本
from pdfminer.high_level import extract_text
def extract_pdf_text(pdf_path):
"""提取 PDF 文件中的文本"""
text = extract_text(pdf_path)
return text
if __name__ == '__main__':
pdf_file = 'example.pdf' # 替换成你的 PDF 文件路径
extracted_text = extract_pdf_text(pdf_file)
print(extracted_text)
避坑经验：pdfminer.six 提取的文本可能包含大量的换行符和空格。可以使用正则表达式进行数据清洗，例如去除多余的空格和换行符，只保留有效信息。如果 PDF 是扫描件，需要使用 OCR 技术，例如 Tesseract OCR，配合 pytesseract 库进行识别。
2. PDF 合并与拆分：一键搞定批量操作
合并多个 PDF 文件或将一个 PDF 文件拆分成多个小文件，是常见的 PDF 处理需求。PyPDF2 库可以轻松实现这些功能。
代码示例：使用 PyPDF2 合并 PDF 文件
from PyPDF2 import PdfFileMerger
def merge_pdfs(pdf_files, output_path):
"""合并多个 PDF 文件"""
merger = PdfFileMerger()
for pdf_file in pdf_files:
merger.append(pdf_file)
merger.write(output_path)
merger.close()
if __name__ == '__main__':
pdf_files = ['file1.pdf', 'file2.pdf', 'file3.pdf'] # 替换成你的 PDF 文件路径
output_file = 'merged.pdf'
merge_pdfs(pdf_files, output_file)
避坑经验：在合并 PDF 文件时，需要注意文件顺序。如果文件顺序错误，会导致合并后的 PDF 内容错乱。PyPDF2 在处理大型 PDF 文件时，可能会占用大量的内存，导致程序运行缓慢甚至崩溃。可以考虑使用分页读取的方式，降低内存占用。
3. PDF 加密与解密：保护你的隐私
为 PDF 文件添加密码，可以防止未经授权的访问。PyPDF2 库也支持 PDF 加密和解密功能。
代码示例：使用 PyPDF2 加密 PDF 文件
from PyPDF2 import PdfReader, PdfWriter
def encrypt_pdf(input_path, output_path, password):
"""加密 PDF 文件"""
reader = PdfReader(input_path)
writer = PdfWriter()
for page in reader.pages:
writer.add_page(page)
writer.encrypt(password)
with open(output_path, "wb") as f:
writer.write(f)
if __name__ == '__main__':
input_file = 'example.pdf'
output_file = 'encrypted.pdf'
password = 'your_password'
encrypt_pdf(input_file, output_file, password)
避坑经验：请务必妥善保管 PDF 密码，如果忘记密码，将无法访问 PDF 文件。某些 PDF 阅读器可能不支持 PyPDF2 加密的 PDF 文件。建议使用常用的 PDF 阅读器，例如 Adobe Acrobat Reader 进行测试。
4. PDF 水印添加：彰显你的版权
在 PDF 文件中添加水印，可以有效防止他人盗用你的作品。PyPDF2 同样可以实现此功能。
代码示例：使用 PyPDF2 添加 PDF 水印
from PyPDF2 import PdfReader, PdfWriter
from PyPDF2.generic import AnnotationBuilder, NameObject
def add_watermark(input_path, output_path, watermark_text):
reader = PdfReader(input_path)
writer = PdfWriter()
for page in reader.pages:
writer.add_page(page)
# Create a Text Annotation / Watermark
builder = AnnotationBuilder()
builder.contents = watermark_text # Text you want to add
builder.rect = (50, 50, 200, 100) # Position on the page (lower left x, y, upper right x, y)
builder.name = NameObject('/Watermark') # optional
# Add it to the page
writer.add_annotation(page_number=len(writer.pages)-1, annotation=builder.build())
with open(output_path, "wb") as f:
writer.write(f)
if __name__ == '__main__':
input_file = 'example.pdf'
output_file = 'watermarked.pdf'
watermark_text = 'Copyright © 2024'
add_watermark(input_file, output_file, watermark_text)
避坑经验：水印的位置和大小需要根据实际情况进行调整，以确保水印清晰可见，且不影响正文内容的阅读。水印的颜色也需要 carefully 挑选，与 PDF 的背景色形成鲜明对比，提高辨识度。
5. PDF 表格数据提取：高效数据分析
从 PDF 表格中提取数据，是数据分析的重要环节。tabula-py 库可以轻松提取 PDF 表格数据，并将其转换为 DataFrame 格式，方便进行后续处理。
代码示例：使用 tabula-py 提取 PDF 表格数据
import tabula
import pandas as pd
def extract_table_from_pdf(pdf_path, output_path):
"""提取 PDF 表格数据并保存为 CSV 文件"""
dfs = tabula.read_pdf(pdf_path, pages='all') # 读取所有页面的表格
if dfs:
df = dfs[0] # 取第一个表格
df.to_csv(output_path, index=False) # 保存为 CSV 文件
else:
print("No tables found in the PDF file.")
if __name__ == '__main__':
pdf_file = 'example.pdf'
output_file = 'table.csv'
extract_table_from_pdf(pdf_file, output_file)
避坑经验：tabula-py 在处理复杂的 PDF 表格时，可能会出现识别错误。可以尝试调整 area 和 relative_area 参数，提高识别精度。如果 PDF 表格是扫描件，需要先进行 OCR 识别，再使用 tabula-py 提取数据。在服务器上部署时，需要确保安装了 Java 环境，因为 tabula-py 依赖 Java 运行时环境。
通过以上 5 种使用 Python 自动化处理 PDF 的方法，可以极大地提高工作效率，让你有更多的时间专注于更有价值的工作。在实际应用中，可以根据具体需求选择合适的库和方法，灵活组合，解决各种 PDF 处理难题。例如，将 pdfminer.six 和 tabula-py 结合使用，先提取 PDF 文本，再提取表格数据，实现更全面的数据分析。
