⚙️ Python处理PDF实例·从入门到自动化

欢迎来到〈python处理pdf实例〉深度实践站。无论您是需要批量提取发票文本,还是想用PyPDF2合并合同,这里都提供真实可运行的代码。本站聚焦网民最关心的〈Python操作PDF〉技巧,所有示例均基于pdfplumber、reportlab等主流库。

〔网友们还关心〕

① Python读取PDF文字乱码怎么办?
② 如何用pdfplumber提取表格到Excel?
③ PyPDF2合并多个PDF保持书签。
④ reportlab生成中文发票实例。

📄 文本提取·深度实例

※ PyPDF2 快速读取全文

使用PdfReader对象遍历页面,适合简单文本抽取。注意:部分扫描件需OCR预处理。

from PyPDF2 import PdfReader
reader = PdfReader("demo.pdf")
for page in reader.pages:
    print(page.extract_text())

【技巧】如果遇到提取为空,可能是图片型PDF,建议结合pytesseract。网民常搜索“python pdf 读不出来文字”,根源在于字体编码。

◇ pdfplumber 精准布局提取

pdfplumber能保留字符坐标,适合提取双栏论文或合同。以下实例展示按段落输出:

import pdfplumber
with pdfplumber.open("contract.pdf") as pdf:
    for page in pdf.pages:
        text = page.extract_text()
        print(text)

☞ 网民关注点:如何去除页眉页脚?可通过page.within_bbox限定区域。

〓 PyMuPDF 高性能文本与图片

速度极快,支持文本块、图片提取。示例:获取所有文本块。

import fitz
doc = fitz.open("sample.pdf")
for page in doc:
    blocks = page.get_text("blocks")
    for b in blocks:
        print(b[4])

⚡网民常问:fitz提取文字顺序错乱?使用sort=True参数可改善。

📊 表格提取·时间轴演进

2022·初代方案:使用tabula-py,依赖Java环境,网民抱怨配置繁琐。
2023·pdfplumber崛起:纯Python提取表格,page.extract_tables()直接返回二维数组。
2024·智能校准:结合camelot-py的Lattice模式,处理无线框表格。

【pdfplumber表格→DataFrame】

方法适用场景示例代码
extract_tables()规整表格table = page.extract_tables()[0]
extract_table()单表格df = pd.DataFrame(table[1:], columns=table[0])

※ 网民搜索热点:“python提取pdf表格保留格式”。建议导出时用openpyxl设置列宽。

🗂️ 合并与拆分·实用攻略

➔ 合并多个PDF

from PyPDF2 import PdfMerger
merger = PdfMerger()
for pdf in ["a.pdf","b.pdf"]:
    merger.append(pdf)
merger.write("merged.pdf")

保持页面顺序,网民关心合并后文件过大,可使用压缩参数。

← 拆分指定页

reader = PdfReader("big.pdf")
writer = PdfWriter()
for i in [0,2,4]:
    writer.add_page(reader.pages[i])
writer.write("selected.pdf")

⚡典型场景:提取发票第一页或合同签字页。

🔒 水印与加密

『reportlab 动态文字水印』

通过canvas添加倾斜灰色文字,保护版权。网民常搜“python pdf 加机密字样”。

from reportlab.pdfgen import canvas
c = canvas.Canvas("water.pdf")
c.setFont("Helvetica", 40)
c.setFillGray(0.7)
c.saveState()
c.translate(300,400)
c.rotate(45)
c.drawString(0,0,"CONFIDENTIAL")
c.restoreState()
c.save()

◣◢ 图片水印叠加

使用PyPDF2的merge_page将logo叠加到每一页。注意透明度需提前处理。

watermark = PdfReader("logo.pdf").pages[0]
for page in reader.pages:
    page.merge_page(watermark)

§ 加密与权限控制

pdfrw或PyPDF2均可设置密码。示例:

writer.encrypt("user123", "owner456")
writer.write("encrypted.pdf")

☑ 网民关注:禁止打印、复制可通过权限标志实现。

📝 生成PDF·reportlab实战

【中文发票生成器】

使用reportlab搭配中文字体,绘制表格与文字。以下为简化版发票结构:

from reportlab.pdfbase import pdfmetrics
from reportlab.pdfbase.ttfonts import TTFont
pdfmetrics.registerFont(TTFont('SimSun', 'simsun.ttf'))
c.setFont('SimSun', 14)
c.drawString(100,700,"发票号码:№20250321")

⚙️ 网民常搜索“python 生成带表格的PDF”,可结合Table对象。

商品单价
Python处理PDF教程¥99

〔进阶技巧〕性能与兼容

在处理大型PDF文件时,建议使用迭代器而非一次性加载。例如pdfplumber打开500页报告,内存占用可控。网民热议“python pdf 内存溢出”,解决方案是分页处理并即时释放对象。

另外,Python处理PDF实例中涉及中文路径问题:使用pathlib或原始字符串避免转义。对于加密PDF,先解密再操作。本站所有代码已在Windows/Linux验证。

※ 周边知识:OCR识别结合pytesseract与pdf2image,可将扫描件转为可搜索PDF。网民关注“图片PDF转文字python”流程:pdf→图片→OCR→文本。示例:

from pdf2image import convert_from_path
images = convert_from_path('scan.pdf')
# 然后对每张图片使用pytesseract

⚡ 关于Python处理PDF元数据:使用PyPDF2读取作者、标题等信息,便于文档管理。网民常需要批量修改PDF属性。

Ⅵ 常见问题速查

Q:pdfplumber提取表格出现None? → 检查表格线是否清晰,可调整table_settings。

Q:PyPDF2合并后书签丢失? → 使用PdfMerger的add_outline_item手动添加。

持续更新python处理pdf实例相关方案,覆盖网民搜索的“pdf转word python”、“pdf压缩”等话题。