Python 办公技巧：PDF 自动化处理
本文将介绍如何使用 Python 实现 PDF 文件的自动化处理，涵盖了解析、合并、拆分、表单处理、文档转换、添加水印与签章、报表生成以及 OCR 文字识别等七项技能。通过这些技巧，用户可以大幅提升办公效率，轻松应对各种 PDF 文件操作需求。
1. PDF 解析和文本提取
- 工具库：PyPDF2、pdfminer、textract
- 功能：从 PDF 文件中提取文本信息。
- 代码示例：
import PyPDF2 with open('example.pdf', 'rb') as file:reader = PyPDF2.PdfReader(file)for page_num in range(len(reader.pages)):text = reader.pages[page_num].extract_text()print(text)
2. PDF 合并和拆分
- 工具库：PyPDF2、pdfrw
- 功能：将多个 PDF 文件合并为一个文件，或将一个 PDF 文件拆分为多个文件。
- 代码示例：
from PyPDF2 import PdfMerger, PdfReader, PdfWriter merger = PdfMerger() merger.append('example.pdf') merger.append('file2.pdf') merger.write('merged.pdf') merger.close()
3. PDF 表单处理
- 工具库：PyPDF2、pdfrw、FPDF
- 功能：自动填充表单字段、读取已填写数据或生成新表单。
- 代码示例：
from PyPDF2 import PdfReader, PdfWriter from reportlab.pdfgen import canvas def fill_form(input_file, output_file, data):c = canvas.Canvas(output_file)reader = PdfReader(input_file)for page_num, page in enumerate(reader.pages, start=1):c.setFont("Helvetica", 12)page_width = float(page.mediabox.width)page_height = float(page.mediabox.height)c.setPageSize((page_width, page_height))c.showPage()if '/Annots' in page:for annot in page['/Annots']:if '/T' in annot and '/V' in annot and annot['/Type'] == '/Annot':field_name = annot['/T'][1:-1]if field_name in data:field_value = data[field_name]c.drawString(annot['/Rect'][0], annot['/Rect'][1], field_value)c.save()
4. PDF 文档转换
- 工具库：pdf2image、pdfminer、PyPDF2、python-docx
- 功能：将 PDF 转换为图像、HTML、纯文本或 Word 文档。
- 代码示例：
- PDF 转图像：
from pdf2image import convert_from_path def pdf_to_image(input_file, output_file):images = convert_from_path(input_file)for i, image in enumerate(images):image.save(f'{output_file}_{i}.jpg', 'JPEG') - PDF 转 HTML：
from PyPDF2 import PdfReader def pdf_to_html(input_file, output_file):with open(input_file, 'rb') as file:reader = PdfReader(file)text = ""for page in reader.pages:text += page.extract_text()with open(output_file, 'w') as html_file:html_file.write(f"<html><body>{text}</body></html>")
- PDF 转图像：
5. PDF 水印和签章
- 工具库：PyPDF2、reportlab
- 功能：为 PDF 文件添加水印或数字签章。
- 代码示例：
from PyPDF2 import PdfReader, PdfWriter from reportlab.pdfgen import canvas import io def add_watermark(input_file, output_file, watermark_text):reader = PdfReader(input_file)writer = PdfWriter()watermark_buffer = io.BytesIO()c = canvas.Canvas(watermark_buffer)c.setFont("Helvetica", 48)c.rotate(45)c.translate(-500, -500)c.setFillAlpha(0.3)c.drawString(400, 400, watermark_text)c.save()watermark_buffer.seek(0)watermark_pdf = PdfReader(watermark_buffer)for i, page in enumerate(reader.pages, start=1):watermark_page = watermark_pdf.pages[0]page.merge_page(watermark_page)writer.add_page(page)with open(output_file, 'wb') as file:writer.write(file)
6. PDF 报表生成
- 工具库：matplotlib、reportlab
- 功能：生成包含图表、表格和文本的 PDF 报表。
- 代码示例：
import matplotlib.pyplot as plt from reportlab.lib.pagesizes import A4 from reportlab.platypus import SimpleDocTemplate, Table, Image from reportlab.lib.styles import getSampleStyleSheet from reportlab.platypus import Paragraph, Spacer def create_report(output_file, data):doc = SimpleDocTemplate(output_file, pagesize=A4)styles = getSampleStyleSheet()elements = []title = Paragraph("销售报表", styles["Title"])elements.append(title)elements.append(Spacer(1, 20))table_data = datatable = Table(table_data)elements.append(table)elements.append(Spacer(1, 20))plt.plot(data[1][1:], marker='o')plt.xlabel("日期")plt.ylabel("销售额")plt.title("销售趋势图")plt.savefig("sales_plot.png")plt.close()image = Image("sales_plot.png", width=400, height=300)elements.append(image)doc.build(elements)
7. OCR（光学字符识别）
- 工具库：pdf2image、pytesseract
- 功能：将扫描的 PDF 文档转换为可搜索和可编辑的文本。
- 代码示例：
import pdf2image import pytesseract def pdf_to_image(input_file):images = pdf2image.convert_from_path(input_file)return images def image_to_text(image):text = pytesseract.image_to_string(image)return text def save_text_to_file(text, output_file):with open(output_file, 'w', encoding='utf-8') as file:file.write(text) def extract_text_from_pdf(input_file, output_file):images = pdf_to_image(input_file)extracted_text = ""for image in images:text = image_to_text(image)extracted_text += text + "\n"save_text_to_file(extracted_text, output_file)
总结
通过掌握 Python PDF 自动化处理的七项技能，用户可以大幅提升办公效率，轻松应对各种 PDF 文件操作需求。无论是解析文本、合并拆分文件、处理表单、转换格式、添加水印与签章、生成报表，还是进行 OCR 文字识别，Python 都能提供强大的支持。