作者：陳熹

來(lái)源：早起Python

一、前言

大家好，有關(guān)Python操作PDF的案例之前已經(jīng)寫(xiě)過(guò)一個(gè)PDF批量合并，這個(gè)案例初衷只是給大家提供一個(gè)便利的腳本，并沒(méi)有太多講解原理,其中涉及的就是PDF處理很實(shí)用的模塊PyPDF2，本文就好好剖析一下這個(gè)模塊，主要將涉及

• os 模塊綜合應(yīng)用
• glob 模塊綜合應(yīng)用
• PyPDF2 模塊操作

二、基本操作

PyPDF2 導(dǎo)入模塊的代碼常常是：

from PyPDF2 import PdfFileReader, PdfFileWriter

這里導(dǎo)入了兩個(gè)方法：

• PdfFileReader 可以理解為讀取器
• PdfFileWriter可以理解為寫(xiě)入器

接下來(lái)通過(guò)幾個(gè)案例進(jìn)一步認(rèn)識(shí)這兩個(gè)工具的奇妙之處，用到的示例文件是5個(gè)發(fā)票的pdf

每個(gè)發(fā)票的PDF都由兩頁(yè)組成：

三、合并

第一個(gè)工作是將5個(gè)發(fā)票pdf合并成10頁(yè)。這里讀取器和寫(xiě)入器應(yīng)該怎么配合呢？

邏輯如下：

1. 讀取器將所有pdf讀取一遍
2. 讀取器將讀取的內(nèi)容交給寫(xiě)入器
3. 寫(xiě)入器統(tǒng)一輸出到一個(gè)新pdf

這里還有一個(gè)重要的知識(shí)點(diǎn)：讀取器只能將讀取的內(nèi)容一頁(yè)一頁(yè)交給寫(xiě)入器。

因此，邏輯中第1步和第2步實(shí)際上不是彼此獨(dú)立的步驟，而是讀取器讀取完一個(gè)pdf后，就將這個(gè)pdf全部頁(yè)循環(huán)一遍，挨頁(yè)交給寫(xiě)入器。最后等讀取工作全部結(jié)束后再輸出。

看一下代碼可以讓思路更清楚：

from PyPDF2 import PdfFileReader, PdfFileWriter
path = r'C:\Users\xxxxxx' pdf_writer = PdfFileWriter()for i in range(1, 6):
    pdf_reader = PdfFileReader(path + '/INV{}.pdf'.format(i))
    for page in range(pdf_reader.getNumPages()):
        pdf_writer.addPage(pdf_reader.getPage(page))

with open(path + r'\合并PDF\merge.pdf', 'wb') as out:
    pdf_writer.write(out)

由于全部?jī)?nèi)容都需要交給同一個(gè)寫(xiě)入器最后一起輸出，所以寫(xiě)入器的初始化一定是在循環(huán)體之外的.

如果在循環(huán)體內(nèi)則會(huì)變成每次訪(fǎng)問(wèn)讀取一個(gè)pdf就生成一個(gè)新的寫(xiě)入器，這樣每一個(gè)讀取器交給寫(xiě)入器的內(nèi)容就會(huì)被反復(fù)覆蓋，無(wú)法實(shí)現(xiàn)我們的合并需求!

循環(huán)體開(kāi)頭的代碼：

for i in range(1, 6):
    pdf_reader = PdfFileReader(path + '/INV{}.pdf'.format(i))

目的就是每次循環(huán)讀取一個(gè)新的pdf文件交給讀取器進(jìn)行后續(xù)操作。實(shí)際上這種寫(xiě)法不是很提倡，由于各pdf命名恰好很規(guī)則，所以可以直接人為指定數(shù)字進(jìn)行循環(huán)。更好的方法是用 glob 模塊：

import glob
for file in glob.glob(path + '/*.pdf'):
    pdf_reader = PdfFileReader(path)

代碼中 pdf_reader.getNumPages(): 能夠獲取讀取器的頁(yè)數(shù)，配合range就能遍歷讀取器的所有頁(yè)。

pdf_writer.addPage(pdf_reader.getPage(page))能夠?qū)?dāng)前頁(yè)交給寫(xiě)入器。

最后，用with新建一個(gè)pdf并由寫(xiě)入器的 pdf_writer.write(out)方法輸出即可

四、拆分

如果明白了合并操作中讀取器和寫(xiě)入器的配合，那么拆分就很好理解了，這里我們以拆分INV1.pdf為2個(gè)單獨(dú)的pdf文檔為例，同樣也先來(lái)捋一捋邏輯：

1. 讀取器讀取PDF文檔
2. 讀取器一頁(yè)一頁(yè)交給寫(xiě)入器
3. 寫(xiě)入器每獲取一頁(yè)就立即輸出

通過(guò)這個(gè)代碼邏輯我們也可以明白，寫(xiě)入器初始化和輸出的位置一定都在讀取PDF循環(huán)每一頁(yè)的循環(huán)體內(nèi)，而不是在循環(huán)體外

代碼很簡(jiǎn)單：

from PyPDF2 import PdfFileReader, PdfFileWriter
path = r'C:\Users\xxx' pdf_reader = PdfFileReader(path + '\INV1.pdf') 

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

 # 遍歷到每一頁(yè)挨個(gè)生成寫(xiě)入器  pdf_writer = PdfFileWriter()  pdf_writer.addPage(pdf_reader.getPage(page))     

# 寫(xiě)入器被添加一頁(yè)后立即輸出產(chǎn)生pdf 

 with open(path + '\INV1-{}.pdf'.format(page + 1), 'wb') as out:         

pdf_writer.write(out)

五、水印

本次的工作是將下圖作為水印添加到INV1.pdf中

首先是準(zhǔn)備工作，將需要作為水印的圖片插入word中調(diào)整合適位置后保存為PDF文件。然后就可以碼代碼了，需要額外用到copy模塊，具體解釋見(jiàn)下圖：

就是把讀取器和寫(xiě)入器初始化，并且把水印PDF頁(yè)先讀取好備用,核心代碼稍微比較難理解：

加水印本質(zhì)上就是把水印PDF頁(yè)和需要加水印的每一頁(yè)都合并一遍

由于需要加水印的PDF可能有很多頁(yè)，而水印PDF只有一頁(yè)，因此如果直接把水印PDF拿來(lái)合并，可以抽象理解成加完第一頁(yè)，水印PDF頁(yè)就沒(méi)有了。

因此不能直接拿來(lái)合并，而要把水印PDF頁(yè)不斷copy出來(lái)成新的一頁(yè)備用new_page，再運(yùn)用.mergePage方法完成跟每一頁(yè)合并，把合并后的頁(yè)交給寫(xiě)入器待最后統(tǒng)一輸出!

關(guān)于.mergePage的使用：出現(xiàn)在下面的頁(yè).mergePage(出現(xiàn)在上面的頁(yè))，最后效果如圖：

六、加密

加密很簡(jiǎn)單，只需要記?。?span style="font-weight:700;">「加密是針對(duì)寫(xiě)入器加密」

因此只需要在相關(guān)操作完成后調(diào)用pdf_writer.encrypt(密碼)

以單個(gè)PDF的加密為例：

寫(xiě)在最后

當(dāng)然除了對(duì)PDF的合并、拆分、加密、水印，我們還可以使用Python結(jié)合Excel和Word實(shí)現(xiàn)更多的自動(dòng)化需求，這些就留給讀者自己開(kāi)發(fā)。

最后還是希望大家能夠理解Python辦公自動(dòng)化的一個(gè)核心就是批量操作-解放雙手，讓復(fù)雜的工作自動(dòng)化！