Python PDF 玩转指南：从新手到大师的进阶之路（第二十七天）

在日常开发中，我们经常会遇到需要处理 PDF 文件的场景，比如提取文本、合并拆分、添加水印等。Python 提供了很多强大的库来帮助我们完成这些任务，让 100天从新手到大师 的学习者也能轻松上手。本文将深入探讨如何使用 Python 操作 PDF 文件，并分享一些实战中的避坑经验。

PDF 解析与文本提取

PyPDF2 是一个非常流行的 Python 库，用于读取和写入 PDF 文件。它可以轻松地提取 PDF 文件中的文本信息。不过需要注意的是，PyPDF2 对于扫描版或者包含复杂排版的 PDF 文件的文本提取效果可能不佳，这时候可以考虑使用 pdfminer.six 或者 OCR (Optical Character Recognition) 技术。

import PyPDF2

def extract_text_from_pdf(pdf_path):
    text = ''
    with open(pdf_path, 'rb') as file:
        reader = PyPDF2.PdfReader(file)
        for page_num in range(len(reader.pages)):
            page = reader.pages[page_num]
            text += page.extract_text()
    return text

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

PDF 合并与拆分

PyPDF2 还可以用来合并和拆分 PDF 文件。例如，可以将多个 PDF 文件合并成一个，或者将一个 PDF 文件拆分成多个单页 PDF 文件。

from PyPDF2 import PdfMerger, PdfReader, PdfWriter

def merge_pdfs(pdf_paths, output_path):
    merger = PdfMerger()
    for pdf_path in pdf_paths:
        merger.append(pdf_path)
    merger.write(output_path)
    merger.close()


def split_pdf(pdf_path, output_dir):
    with open(pdf_path, 'rb') as file:
        reader = PdfReader(file)
        for page_num in range(len(reader.pages)):
            writer = PdfWriter()
            writer.add_page(reader.pages[page_num])
            output_path = f'{output_dir}/page_{page_num + 1}.pdf'
            with open(output_path, 'wb') as output_file:
                writer.write(output_file)


pdf_paths = ['file1.pdf', 'file2.pdf']
merge_pdfs(pdf_paths, 'merged.pdf')

split_pdf('merged.pdf', 'split_pages')

PDF 加密与解密

有时候我们需要对 PDF 文件进行加密，防止未授权访问。PyPDF2 提供了加密和解密 PDF 文件的功能。

from PyPDF2 import PdfReader, PdfWriter

def encrypt_pdf(pdf_path, password, output_path):
    reader = PdfReader(pdf_path)
    writer = PdfWriter()
    for page in reader.pages:
        writer.add_page(page)
    writer.encrypt(password)
    with open(output_path, 'wb') as file:
        writer.write(file)


def decrypt_pdf(pdf_path, password, output_path):
    reader = PdfReader(pdf_path)
    if reader.is_encrypted:
        reader.decrypt(password)
        writer = PdfWriter()
        for page in reader.pages:
            writer.add_page(page)
        with open(output_path, 'wb') as file:
            writer.write(file)
    else:
        print('PDF is not encrypted')


encrypt_pdf('example.pdf', 'password', 'encrypted.pdf')
decrypt_pdf('encrypted.pdf', 'password', 'decrypted.pdf')

实战避坑经验

1. 处理中文问题：PyPDF2 在处理包含中文的 PDF 文件时，可能会出现乱码问题。可以通过设置字体或者使用其他库（如 pdfminer.six）来解决。
2. OCR 技术：对于扫描版 PDF，直接使用 PyPDF2 提取文本效果很差。需要结合 OCR 技术，将图片转换为文本。
3. 异常处理：在读取或写入 PDF 文件时，可能会遇到各种异常，例如文件不存在、权限不足等。需要添加适当的异常处理机制，保证程序的健壮性。
4. 性能优化：处理大型 PDF 文件时，需要注意性能优化。例如，可以分批读取页面，避免一次性加载整个文件。
5. 版本兼容：PyPDF2 不同版本之间可能存在差异，需要注意版本兼容性问题。建议使用最新版本，并仔细阅读官方文档。

**总结：**掌握 Python 操作 PDF 文件的技能，能够极大地提高工作效率。希望本文能够帮助你在 Python 的学习之路上更进一步，早日成为 100天从新手到大师 的高手。