[Python知识库]第15章：处理PDF和Word文档（笔记）

15.1:PDF文档

15.1.1：从PDF提取文本

import PyPDF2

pdfFileObj = open("meetingminutes.pdf", 'rb')
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
print(pdfReader.numPages)

pageObj = pdfReader.getPage(0)
print(pageObj.extractText())

以二进制模式打开文件，然后将他传入PdfFileReader()中得到它的PdfFileReader对象

PdfFileReader的namePages属性：获取PDF共有几页

PdfFileReader的getPage()函数：获取传入页号中的页面信息（索引从0开始）

extractText()函数：放回改文本页的字符串。提取文本信息但并不完美

15.1.2：解密PDF

import PyPDF2

pdfReader = PyPDF2.PdfFileReader(open('encrypted.pdf', 'rb'))
print(pdfReader.isEncrypted)
print(pdfReader.decrypt('rosebud'))

PdfFileReader的isEncrypted属性：判断PDF是否加密，是返回True，否则False

PdfFileReader的decrypt()函数：传入口令字符串进行解密，如果加密文件没有调用这个函数在调用getPage()函数就会报错，并且该函数只解密了PdfFileReader对象，不是实际的PDF文档。

15.1.3：创建PDF

与PdfFileReader对象相对的PdfFileWriter对象，它可以创建一个新的PDF文档，但不能将任意的文本写入PDF，不像python可以写入纯文本文件，能力仅限于从其他PDF中复制页面、旋转页面、重叠页面和加密页面，不允许直接编辑PDF。

1. 打开一个或多个已有的PDF，得到PdfFileReader对象
2. 创建一个新的PdfFileWrite对象
3. 将页面从PdfFileReader对象复制到PdfFileWrite对象中
4. 利用PdfFileWrite对象写入输出的PDF

复制页面

import PyPDF2

pdf1File = open('meetingminutes.pdf', 'rb')
pdf2File = open('meetingminutes2.pdf', 'rb')
pdf1Reader = PyPDF2.PdfFileReader(pdf1File)
pdf2Reader = PyPDF2.PdfFileReader(pdf2File)
pdfWriter = PyPDF2.PdfFileWriter()

for pageNum in range(pdf1Reader.numPages):
    pdfObj = pdf1Reader.getPage(pageNum)
    pdfWriter.addPage(pdfObj)
for pageNum in range(pdf2Reader.numPages):
    pdfObj = pdf2Reader.getPage(pageNum)
    pdfWriter.addPage(pdfObj)

pdfOutputFile = open('combinedminutes.pdf', 'wb')
pdfWriter.write(pdfOutputFile)
pdfOutputFile.close()
pdf1File.close()
pdf2File.close()

PdfFileWrite的addPage()函数：将数据传递给PdfFileWrite对象

PdfFileWrite的write()函数：将对象中的数据写入到文件中

旋转页面

import PyPDF2

minutesFile = open('meetingminutes.pdf', 'rb')
pdfReader = PyPDF2.PdfFileReader(minutesFile)
page = pdfReader.getPage(0)
page.rotateClockwise(90)

pdfWriter = PyPDF2.PdfFileWriter()
pdfWriter.addPage(page)
resultPdfFile = open('rotatedPage.pdf', 'wb')
pdfWriter.write(resultPdfFile)
minutesFile.close()
resultPdfFile.close()

rotateClockwise()和rotateCounterClockwise()函数可以用旋转文档页面，rotateClockwise()是顺时针rotateCounterClockwise()是逆时针。

叠加页面

import PyPDF2

minutesFile = open('meetingminutes.pdf', 'rb')
pdfReader = PyPDF2.PdfFileReader(minutesFile)
minutesFirstPage = pdfReader.getPage(0)
pdfWatermarkReader = PyPDF2.PdfFileReader(open('watermark.pdf', 'rb'))
minutesFirstPage.mergePage(pdfWatermarkReader.getPage(0))

pdfWriter = PyPDF2.PdfFileWriter()
pdfWriter.addPage(minutesFirstPage)

for pageNum in range(1, pdfReader.numPages):
    pageObj = pdfReader.getPage(pageNum)
    pdfWriter.addPage(pageObj)

resultPdfFile = open('watermarkedCover.pdf', 'wb')
pdfWriter.write(resultPdfFile)
minutesFile.close()
resultPdfFile.close()

mergePage()函数：将两张PDF页面合并到一起，传入的参数的PDF文档一般是公司的标志等等。

加密PDF

import PyPDF2

pdfFile = open('meetingminutes.pdf', 'rb')
pdfReader = PyPDF2.PdfFileReader(pdfFile)
pdfWriter = PyPDF2.PdfFileWriter()

for pageNum in range(pdfReader.numPages):
    pdfWriter.addPage(pdfReader.getPage(pageNum))

pdfWriter.encrypt('swordfish')
resultPdf = open('encryptedminutes.pdf', 'wb')
pdfWriter.write(resultPdf)
pdfFile.close()
resultPdf.close()

encrypt()函数：传入字符串，将字符串作为文件的加密口令

15.2：项目：从多个PDF中合并选择的页面

第一步：找到所有PDF

第二步：打开每个PDF文档

第三步：添加每一页

第四步：保存结果

import PyPDF2, os

pdfFiles = []
for filename in os.listdir('.'):
    if filename.endswith('.pdf'):
        pdfFiles.append(filename)
pdfFiles.sort(key=str.lower)
pdfWriter = PyPDF2.PdfFileWriter()

for filename in pdfFiles:
    pdfFileObj = open(filename, 'rb')
    pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
    if not pdfReader.isEncrypted:
        for pageNum in range(1, pdfReader.numPages):
            pageObj = pdfReader.getPage(pageNum)
            pdfWriter.addPage(pageObj)
    pdfFileObj.close()

pdfOutput = open('allminutes.pdf', 'wb')
pdfWriter.write(pdfOutput)
pdfOutput.close()

15.3：Word文档

安装python-docx模块

pip install --user -U python-docx

?注意要安装python-docx而不是docx，但在导入时需要执行import docx

15.3.1：读取Word文档

import docx

doc = docx.Document('demo.docx')
print(len(doc.paragraphs))
print(doc.paragraphs[0].text)
print(len(doc.paragraphs[1].runs))
print(doc.paragraphs[1].runs[0].text)

Document：表示整个文档
paragraphs：表示文档中的段落
runs：每个paragraphs对象都至少包含一个Run对象的列表，它表示一段样式相同的数据

15.6.2：从docx文档中取出完整的文本

import docx

doc = docx.Document('demo.docx')
fullText = []
for para in doc.paragraphs:
    fullText.append(para.text)
print('\n'.join(fullText))

15.3.3：设置Paragraph和Run样式

对Paragraph设置样应该使用：Paragraph[**].style = '? ** '

对Run设置runs[**].style = ' ** '

15.3.4：创建带有非默认样式的Word文档

15.3.5：Run属性

import docx

doc = docx.Document('demo.docx')
print(doc.paragraphs[0].text)

doc.paragraphs[0].style = 'Normal'
doc.paragraphs[1].runs[0].style = 'QuoteChar'
doc.paragraphs[1].runs[1].underline = True

doc.save('restyled.docx')

15.3.6：写入Word文档

import docx

doc = docx.Document()
doc.add_paragraph('Hello World')
paraObj1 = doc.add_paragraph('This is a second paragraphs.')
paraObj2 = doc.add_paragraph('This is a yet another paragraphs.')
paraObj1.add_run('This text is being added to the second paragraphs.')

doc.save('multipleParagraphs.docx')

add_paragraph()函数将一段新文本添加到文档中，只能添加到文档末尾。
add_run()函数：将一段文本添加到paragraph对象中，只能添加在paragraph对象末尾。

15.3.7：添加标题

import docx

doc = docx.Document()
doc.add_heading('Header 0', 0)
doc.add_heading('Header 1', 1)
doc.add_heading('Header 2', 2)
doc.add_heading('Header 3', 3)
doc.add_heading('Header 4', 4)
doc.save('headings.docx')

add_heading()函数添加一个段落，并使用一种标题样式，参数是一个标题文本的字符串和一个0到4的整数

15.3.8：添加换行符和换页符

import docx
from docx import Document

doc = docx.Document()
doc.add_paragraph('This is on the first page!')
doc.add_page_break()
doc.add_paragraph('This is on the second page!')
doc.save('twoPage.docx')

add_page_break()函数：添加换页符

15.3.9：添加图像

import docx

doc = docx.Document()
doc.add_paragraph('This is cat')
doc.add_picture('zophie.png')
doc.save('twoPage.docx')

add_picture()函数可以在文档末尾添加图像，可选的width和height关键参数设置图像在文档的宽度和高度

15.4：从Word文档中创建PDF

pip install --user --U pywin32==224

?比较高的版本安装不了需要下载后导入

import docx
import win32.client

wordFilename = 'your_word_document.docx'
pdfFilename = 'your_pdf_filename.pdf'

doc = docx.Document()
doc.save(wordFilename)

wdFormatPDF = 17
wordObj = win32com.client.Dispatch('Word.Application')
docObj = wordObj.Documents.Open(wordFilename)
docObj.SaveAs(pdfFilename, FileFormat=wdFormatPDF)
docObj.Close()
wordObj.Quit()