一、PDF提取文字/转图片
提取文字和转图片使用的是fitz模块，模块安装：
|
1 |
pip install PyMuPDF |
提取文字
|
1 2 3 4 5 6 7 8 9 10 11 12 13 |
import fitz
pdf = fitz.open('xxxx.pdf') # xxxx.pdf是pdf文件名或路径 pages = pdf.page_count # 获取pdf页数 page = pdf[n] # 获取pdf第n页，n为页码，从0开始
x = page.rect[2] # 获取页宽 y = page.rect[3] # 获取页高
content = page.get_text() # 提取这一整页的文字 # 获取指定区域文字 content = page.get_text(clip=(x1, y1, x2, y2)) # x1为指定区域左上角x坐标，y1区域左上角y坐标，x2为区域右下角x坐标，y2区域右下角y坐标 |
转图片
|
1 2 3 4 5 6 7 8 9 10 11 |
import fitz
pdf = fitz.open('xxxx.pdf') # xxxx.pdf是pdf文件名或路径 page = pdf[n] # 获取pdf第n页，n为页码，从0开始
z_x = 3 # 宽度放大比例 z_y = 3 # 高度放大比例 mat = fitz.Matrix(z_x, z_y) pix = page.get_pixmap(matrix=mat) pix.save('xxxx.png') # 保存图片为xxxx.png |
二、分割、合并PDF文档
2.1 使用PyPDF2模块
模块安装：
|
1 |
pip install PyPDF2 |
分割、合并PDF
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 |
import PyPDF2
pdf = PyPDF2.PdfReader('xxxx.pdf') # 打开名为xxxx.pdf的PDF文档 pages = pdf.pages # PDF总页数
writer = PyPDF2.PdfWriter() # 创建新的PDF变量
writer.add_page(pdf.pages[0]) # 将第1页分割到新的PDF writer.add_page(pdf.pages[1]) # 将第2页分割到新的PDF with open('xxxx2.pdf', 'wb') as output_pdf: # 将分割出来的页保存为新的PDF文件xxxx2.pdf writer.write(output_pdf)
writer2 = PyPDF2.PdfWriter() # 创建新的PDF变量 writer2.add_page(pdf.pages[2]) # 将第3页分割到新的PDF writer2.add_page(pdf.pages[99]) # 将第100页分割到新的PDF with open('xxxx3.pdf', 'wb') as output_pdf: # 将分割出来的页保存为新的PDF文件xxxx3.pdf writer2.write(output_pdf) |
2.2 使用fitz模块
模块安装：
|
1 |
pip install PyMuPDF |
示例：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 |
import fitz
writer = fitz.open() # 创建一个空白pdf
# 打开1.pdf，并写入新创建的pdf中 pdf = fitz.open('1.pdf') writer.insert_pdf(pdf, start_at=writer.page_count) pdf.close() # 打开2.pdf，并将第1-3页写入新创建的pdf中（页码从0起算） pdf = fitz.open('2.pdf') writer.insert_pdf(pdf, start_at=writer.page_count, from_page=1, to_page=3) pdf.close() # 打开3.pdf，并写入新创建的pdf中 pdf = fitz.open('3.pdf') writer.insert_pdf(pdf, start_at=writer.page_count) pdf.close()
writer.save('xxxx.pdf') # 保存为xxxx.pdf writer.close() |
分割跟合并PDF的原理是一样的，前者是打开一个PDF文档，创建并保存为多个PDF文档；后者是打开多个PDF文档，创建并保存为一个PDF文档。
使用PyPDF2模块合并pdf文件时常常遇到乱码问题，因此本人更推荐使用fitz模块。
