【完全掌握】PyPDF2/PyPDF4深度指南：Python轻松实现PDF读取与操作的15个高级技巧

【完全掌握】PyPDF2/PyPDF4深度指南：Python轻松实现PDF读取与操作的15个高级技巧

1. PDF库基础了解

1.1 PyPDF2与PyPDF4的关系与选择

PyPDF2是一个历史悠久的Python PDF处理库，而PyPDF4是其改进和维护的分支版本：

# 安装PyPDF2
pip install PyPDF2

# 或安装PyPDF4（推荐）
pip install PyPDF4

PyPDF4相比PyPDF2有以下优势：

• 修复了多个原始库的bug
• 提供了更好的Python 3支持
• 增强了对复杂PDF结构的处理能力
• 改进了性能和内存管理

本文后续代码兼容两个库，只需将导入语句调整即可：

# 使用PyPDF2
from PyPDF2 import PdfFileReader, PdfFileWriter

# 或使用PyPDF4
from PyPDF4 import PdfFileReader, PdfFileWriter

1.2 PDF文件基本结构

理解PDF文件的基本结构有助于更好地操作它们：

• 页面(Pages): PDF文件的基本构成单元
• 内容流(Content Streams): 包含页面内容的指令序列
• 字体(Fonts): 嵌入或引用的字体资源
• 图像(Images): 嵌入的图像数据
• 元数据(Metadata): 文档信息如标题、作者等
• 链接(Links): 内部和外部超链接
• 注释(Annotations): 评论、高亮、形状等额外内容
• 表单(Forms): 交互式表单字段

PyPDF2/4主要关注页面级操作，对内部元素的处理相对有限。

2. 读取与分析PDF

2.1 打开PDF文件并获取基本信息

from PyPDF4 import PdfFileReader

def get_pdf_info(pdf_path):
    """获取PDF文件的基本信息"""
    with open(pdf_path, 'rb') as file:
        reader = PdfFileReader(file)
        
        # 获取页数
        page_count = reader.getNumPages()
        
        # 获取文档信息
        info = reader.getDocumentInfo()
        
        # 检查是否加密
        is_encrypted = reader.isEncrypted
        
        return {
   
   
            'page_count': page_count,
            'title': info.title if info.title else "无标题",
            'author': info.author if info.author else "未知作者",
            'subject': info.subject if info.subject else "无主题",
            'creator': info.creator if info.creator else "未知创建者",
            'producer': info.producer if info.producer else "未知生成器",
            'is_encrypted': is_encrypted
        }

# 使用示例
pdf_info = get_pdf_info('example.pdf')
print(f"PDF信息:\n页数: {
     
     pdf_info['page_count']}")
print(f"标题: {
     
     pdf_info['title']}")
print(f"作者: {
     
     pdf_info['author']}")
print(f"加密状态: {
     
     '已加密' if pdf_info['is_encrypted'] else '未加密'}")

2.2 提取文本内容

def extract_text_from_pdf(pdf_path, password=None):
    """从PDF文件中提取所有文本"""
    with open(pdf_path, 'rb') as file:
        reader = PdfFileReader(file)
        
        # 如果PDF加密且提供了密码
        if reader.isEncrypted and password:
            success = reader.decrypt(password)
            if not success:
                return "提供的密码不正确"
        
        # 存储所有页面的文本
        all_text = []
        
        # 逐页提取文本
        for page_num in range(reader.getNumPages()):
            page = reader.getPage(page_num)
            page_text = page.extractText()
            all_text.append(page_text)
        
        # 合并所有文本
        return "\n".join(all_text)

# 使用示例
text = extract_text_from_pdf('document.pdf')
print(f"提取的文本预览:\n{
     
     text[:300]}...")  # 仅显示前300个字符

2.3 提取和处理PDF元数据

def extract_pdf_metadata(pdf_path):
    """提取PDF文件的元数据"""
    with open(pdf_path, 'rb') as file:
        reader = PdfFileReader(file)
        
        # 获取文档信息字典
        info = reader.getDocumentInfo()
        
        # 处理XMP元数据(如果存在)
        xmp_info = {
   
   }
        if hasattr(reader, 'getXmpMetadata') and reader.getXmpMetadata():
            xmp = reader.getXmpMetadata()
            # 提取常见XMP字段
            xmp_info = {
   
   
                'creator_tool': xmp.creator_tool if hasattr(xmp, 'creator_tool') else None,
                'description': xmp.description if hasattr(xmp, 'description') else None,
                'create_date': xmp.create_date if hasattr(xmp, 'create_date') else None,
                'modify_date': xmp.modify_date if hasattr(xmp, 'modify_date') else None,
            }
        
        # 获取PDF版本
        pdf_version = reader.pdf_header
        
        metadata = {
   
   
            'title': info.title if hasattr(info, 'title') else None,
            'author': info.author if hasattr(info, 'author') else None,
            'subject': info.subject if hasattr(info, 'subject') else None,
            'creator': info.creator if hasattr(info, 'creator') else None,
            'producer': info.producer if hasattr(info, 'producer') else None,
            'creation_date': info.creation_date if hasattr(info, 'creation_date') else None,
            'modification_date': info.modification_date if hasattr(info, 'modification_date') else None,
            'pdf_version': pdf_version,
            'xmp_metadata': xmp_info
        }
        
        return metadata

# 使用示例
metadata = extract_pdf_metadata('report.pdf')
for key, value in metadata.items():
    if key != 'xmp_metadata':
        print(f"{
     
     key}: {
     
     value}")

# 单独输出XMP元数据
if metadata['xmp_metadata']:
    print("\nXMP元数据:")
    for key, value in metadata['xmp_metadata'].items():
        print(f"{
     
     key}: {
     
     value}")

3. PDF文件操作基础

3.1 合并多个PDF文件

def merge_pdfs(pdf_paths, output_path):
    """合并多个PDF文件为一个新文件"""
    pdf_writer = PdfFileWriter()
    
    # 遍历每个输入PDF
    for path in pdf_paths:
        with open(path, 'rb') as file:
            pdf_reader = PdfFileReader(file)
            
            # 如果文件加密，需要先处理
            if pdf_reader.isEncrypted:
                print(f"跳过加密文件: {
     
     path}")
                continue
            
            # 添加每一页到输出PDF
            for page_num in range(pdf_reader.getNumPages()):
                page = pdf_reader.getPage(page_num)
                pdf_writer.addPage(page)
    
    # 写入合并后的PDF
    with open(output_path, 'wb') as output_file:
        pdf_writer.write(output_file)
    
    return output_path

# 使用示例
input_pdfs = ['document1.pdf', 'document2.pdf', 'document3.pdf']
merged_pdf = merge_pdfs(input_pdfs, 'merged_document.pdf')
print(f"合并完成，已保存到: {
     
     merged_pdf}")

3.2 拆分PDF文件

def split_pdf(input_path, output_name_pattern='page_%i.pdf'):
    """将PDF文件拆分为单页文件"""
    with open(input_path, 'rb') as file:
        pdf_reader = PdfFileReader(file)
        
        # 检查是否加密
        if pdf_reader.isEncrypted:
            return "无法拆分加密文件"
        
        # 存储输出文件路径列表
        output_files = []
        
        # 逐页保存为单独文件
        for page_num in range(pdf_reader.getNumPages()):
            pdf_writer = PdfFileWriter()
            pdf_writer.addPage(pdf_reader.getPage(page_num))
            
            # 生成输出文件名
            output_path = output_name_pattern % (page_num + 1)
            
            # 保存页面到新文件
            with open(output_path, 'wb') as output_file:
                pdf_writer.write(output_file)
            
            output_files.append(output_path)
    
    return output_files

# 使用示例
output_pages = split_pdf('document.pdf', 'output/page_%03d.pdf')
print(f"文件已拆分为 {
     
     len(output_pages)} 页:")
for page in output_pages[:5]:  # 只显示前5个
    print(f" - {
     
     page}")
if len(output_pages) > 5:
    print(f"... 以及其他 {
     
     len(output_pages) - 5} 页")

3.3 提取特定页面

def extract_pages(input_path, output_path, pages):
    """从PDF中提取指定页面到新文件
    
    参数:
        input_path: 输入PDF文件路径
        output_path: 输出PDF文件路径
        pages: 要提取的页码列表(从0开始)
    """
    with open(input_path, 'rb') as file:
        pdf_reader = PdfFileReader(file)
        
        # 创建输出PDF
        pdf_writer = PdfFileWriter()
        
        # 获取页面总数
        page_count = pdf_reader.getNumPages()
        
        # 添加指定页面
        for page_num in pages:
            if 0 <= page_num < page_count:
                pdf_writer.addPage(pdf_reader.getPage(page_num))
            else:
                print(f"警告: 页码 {
     
     page_num+1} 超出范围(1-{
     
     page_count})")
        
        # 保存提取的页面
        with open(output_path, 'wb') as output_file:
            pdf_writer.write(output_file)
    
    return output_path

# 使用示例 - 提取第1、3、5页(索引从0开始)
extracted_pdf = extract_pages('report.pdf', 'extracted_pages.pdf', [0, 2, 4])
print(f"已提取选定页面到: {
     
     extracted_pdf}")

4. 高级PDF操作

4.1 添加水印

def add_watermark(input_path, watermark_path, output_path):
    """向PDF文件添加水印
    
    参数:
        input_path: 原始PDF文件路径
        watermark_path: 水印PDF文件路径(通常为单页)
        output_path: 输出带水印的PDF文件路径
    """
    # 打开水印PDF
    with open(watermark_path, 'rb') as watermark_file:
        watermark_reader = PdfFileReader(watermark_file)
        # 获取水印页面
        watermark_page = watermark_reader.getPage(0)
        
        # 打开原始PDF
        with open(input_path, 'rb') as input_file:
            pdf_reader = PdfFileReader(input_file)
            pdf_writer = PdfFileWriter()
            
            # 为每一页添加水印
            for page_num in range(pdf_reader.getNumPages()):
                page = pdf_reader.getPage(page_num)
                # 将原始页面内容覆盖在水印上
                # 注意: 顺序很重要！这样水印就会显示在内容下面
                watermark_page.mergePage(page)
                pdf_writer.addPage(watermark_page)
                
                # 重新获取水印页面以避免重复使用
                watermark_page = waterm