Работа с PDF‑файлами

В ходе учебного процесса, мне удалость поработать с файлами PDF формата используя Python. Это очень удобно и практично, если у вас есть задачи подобного рода, то вам определенно стоит ознакомится с данной статьей. Какие же задачи можно решать с помощью  Python? Как извлекать текст, изображения, разделять на страницы, найти все страницы файла, где имеется нужный нам текст, как вставлять изображения в этот файл, удалять страницы, разделять страницы на четные и нечетные.

Ниже вы можете увидеть код для решение каждой задачи.

1.Добавление изображения с помощью PyMuPDF

#Добавление изображения с помощью PyMuPDF

import fitz

input_file = "source/Documentation-JS.pdf"
output_file = "dist/Documentation-JS-page-image.pdf"
barcode_file = "source/image.jpg"

# определить позицию (верхний правый угол)
image_rectangle = fitz.Rect(450, 170, 550, 270)

# retrieve the first page of the PDF
file_handle = fitz.open(input_file)
first_page = file_handle[0]

# добавить изображение
first_page.insertImage(image_rectangle, filename=barcode_file)

file_handle.save(output_file)

2. Добавление водяного знака с помощью PyPDF2

#Добавление водяного знака с помощью PyPDF2

# Добавление водяного знака в одностраничный PDF

import PyPDF2

input_file = "source/Documentation-JS.pdf"
output_file = "dist/Documentation-JS-page-drafted.pdf"
watermark_file = "source/mshe-logo-512x512.pdf"

with open(input_file, "rb") as filehandle_input:
    # читать содержимое исходного файла
    pdf = PyPDF2.PdfFileReader(filehandle_input)

    with open(watermark_file, "rb") as filehandle_watermark:
        # читать содержание водяного знака
        watermark = PyPDF2.PdfFileReader(filehandle_watermark)

        # получить первую страницу оригинального PDF
        first_page = pdf.getPage(0)

        # получить первую страницу водяного знака PDF
        first_page_watermark = watermark.getPage(0)

        # объединить две страницы
        first_page.mergePage(first_page_watermark)

        # создать объект записи PDF для выходного файла
        pdf_writer = PyPDF2.PdfFileWriter()

        # добавить страницу
        pdf_writer.addPage(first_page)

        with open(output_file, "wb") as filehandle_output:
            # записать файл с водяными знаками в новый файл
            pdf_writer.write(filehandle_output)

3. Удаление страниц с помощью PyMuPDF

# Удаление страниц с помощью PyMuPDF
import fitz

input_file = "source/Documentation-JS.pdf"
output_file = "dist/Documentation-JS-rearranged.pdf"


# Определите страницы для сохранения - 1, 2 и 4
file_handle = fitz.open(input_file)
pages_list = [0,1,3]

# Выберите страницы и сохраните вывод
file_handle.select(pages_list)
file_handle.save(output_file)

4. Извлечение изображений из PDF с помощью PyMuPDF

#Извлечение изображений из PDF с помощью PyMuPDF

import fitz

pdf_document = "source/For_image.pdf"
doc = fitz.open(pdf_document)

print("Исходный документ", doc)
print("\nКоличество страниц: %i\n\n------------------\n\n" % doc.pageCount)
print(doc.metadata)

page_count = 0
for i in range(len(doc)):
    for img in doc.getPageImageList(i):
        xref = img[0]
        pix = fitz.Pixmap(doc, xref)
        pix1 = fitz.Pixmap(fitz.csRGB, pix)

        page_count += 1
        pix1.writePNG("images/picture_number_%s_from_page_%s.png" % (page_count, i+1))
        print("Image number ", page_count, " writed...")
        pix1 = None

5. Извлечение текста с помощью PyMuPDF

#Извлечение текста с помощью PyMuPDF

import fitz

pdf_document = "./source/Documentation-JS.pdf"
doc = fitz.open(pdf_document)
print("Исходный документ: ", doc)
print("\nКоличество страниц: %i\n\n------------------\n\n" % doc.pageCount)
print(doc.metadata)

for current_page in range(len(doc)):
    page = doc.loadPage(current_page)
    page_text = page.getText("text")
    print("Стр. ", current_page+1, "\n\nСодержание;\n")
    print(page_text)

6. Извлечение текста с помощью PyPDF2

#Извлечение текста с помощью PyPDF2

from PyPDF2 import PdfFileReader

pdf_document = "source/Documentation-JS.pdf"
with open(pdf_document, "rb") as filehandle:
    pdf = PdfFileReader(filehandle)

    info = pdf.getDocumentInfo()
    pages = pdf.getNumPages()
    print("Количество страниц в документе: %i\n\n" % pages)
    print("Мета-описание: ", info)

    for i in range(pages):
        page = pdf.getPage(i)
        print("Стр.", i, " мета: ", page, "\n\nСодержание;\n")
        print(page.extractText())

7. Найти все страницы, где есть слово JS

#Найти все страницы, где есть слово JS

import fitz

filename = "source/Documentation-JS.pdf"

search_term = "JS"
pdf_document = fitz.open(filename)

for current_page in range(len(pdf_document)):
    page = pdf_document.loadPage(current_page)
    if page.searchFor(search_term):
        print("%s найдено на странице %i" % (search_term, current_page+1))

8. Разделение четных и нечетных страниц с помощью PyPDF2

#Разделение четных и нечетных страниц с помощью PyPDF2

from PyPDF2 import PdfFileReader, PdfFileWriter

pdf_document = "source/Documentation-JS.pdf"
pdf = PdfFileReader(pdf_document)

# Выходные файлы для новых PDF-файлов
output_filename_even = "dist/Documentation-JS-even.pdf"
output_filename_odd = "dist/Documentation-JS-odd.pdf"

pdf_writer_even = PdfFileWriter()
pdf_writer_odd = PdfFileWriter()

# Получить досягаемую страницу и добавить ее в соответствующую
# выходной файл на основе номера страницы
for page in range(pdf.getNumPages()):
    current_page = pdf.getPage(page)
    if page % 2 == 0:
        pdf_writer_odd.addPage(current_page)
    else:
        pdf_writer_even.addPage(current_page)

# Записать данные на диск
with open(output_filename_even, "wb") as out:
     pdf_writer_even.write(out)
     print("created", output_filename_even)

# Записать данные на диск
with open(output_filename_odd, "wb") as out:
     pdf_writer_odd.write(out)
     print("created", output_filename_odd)

9. Разделение PDF‑файлов на страницы с помощью PyPDF2

#Разделение PDF‑файлов на страницы с помощью PyPDF2

from PyPDF2 import PdfFileReader, PdfFileWriter

pdf_document = "source/Documentation-JS.pdf"
pdf = PdfFileReader(pdf_document)

for page in range(pdf.getNumPages()):
    pdf_writer = PdfFileWriter()
    current_page = pdf.getPage(page)
    pdf_writer.addPage(current_page)

    outputFilename = "dist/Documentation-JS-page-{}.pdf".format(page + 1)
    with open(outputFilename, "wb") as out:
        pdf_writer.write(out)

        print("created", outputFilename)

10. Добавление изображения в многостраничный PDF документ

# Добавление изображения в многостраничный PDF документ

from pdfrw import PdfReader, PdfWriter, PageMerge

input_file = "source/Documentation-JS.pdf"
output_file = "dist/Documentation-JS-pages-image.pdf"
watermark_file = "source/mshe-logo-512x512.pdf"

# определяем объекты чтения и записи
reader_input = PdfReader(input_file)
writer_output = PdfWriter()
watermark_input = PdfReader(watermark_file)
watermark = watermark_input.pages[0]

# просматривать страницы одну за другой
for current_page in range(len(reader_input.pages)):
    merger = PageMerge(reader_input.pages[current_page])
    merger.add(watermark).render()

# записать измененный контент на диск
writer_output.write(output_file, reader_input)