###################################处理PDF和Word文档###################################

‘‘‘

PDF和Word文档是二进制文件,除了文本之外,

它们还保存了许多字体、颜色和布局信息

‘‘‘

‘‘‘

从PDF提取文本

‘‘‘

###################################从PDF提取文本###################################

import PyPDF2

pdfFileObj=open(r‘C:\Users\Administrator\Desktop\test.pdf‘,‘rb‘)

pdfReader=PyPDF2.PdfFileReader(pdfFileObj)

pdfReader.numPages

pageObj=pdfReader.getPage(0)

pageObj.extractText()

###################################解压PDF#########################################

import PyPDF2

pdfReader=PyPDF2.PdfFileReader(open(r‘C:\Users\Administrator\Desktop\test.pdf‘,‘rb‘))

pdfReader.isEncrypted    ####是否加密

pdfReader.getPage(0)

pdfReader.decrypt(‘rosebud‘)   ####提供解密口令

pageObj=pdfReader.getPage(0)

###################################创建PDF#########################################

‘‘‘

PyPDF2不能将任意文本写入PDF：

PyPDF2写入PDF的能力,仅限于从其他PDF中拷贝页面、旋转页面、重叠页面和加密文件

‘‘‘

‘‘‘

一般方式：

1、打开一个或多个已用的PDF(源PDF),得到PdfFileReader对象

2、创建一个新的PdfFileWriter对象

3、将页面从PdfFileReader对象拷贝到PdfFileWriter对象中

4、利用PdfFileWriter对象写入输出的PDF

‘‘‘

#####################################################拷贝页面###########################################################

def merge(pdf_one, pdf_two, filename=‘my.pdf‘,output_dir=r‘C:\Users\Administrator\Desktop‘):

         input_one = file(pdf_one, ‘rb‘)

         input_two = file(pdf_two, ‘rb‘)

         pdf_input_one = PyPDF2.PdfFileReader(input_one)

         pdf_input_two = PyPDF2.PdfFileReader(input_two)

         numOne = pdf_input_one.getNumPages()

         numTwo = pdf_input_two.getNumPages()

         print numOne, numTwo

         pdf_output = PyPDF2.PdfFileWriter()

         for pageNum in range(numOne):

                   print ‘hereo‘

                   pageObj=pdf_input_one.getPage(pageNum)

                   pdf_output.addPage(pageObj)

         for pageNum in range(numTwo):

                   print ‘heret‘

                   pageObj=pdf_input_two.getPage(pageNum)

                   pdf_output.addPage(pageObj)

         pdf_name = output_dir+filename

         print pdf_name

         output_stream = file( pdf_name,‘wb‘)

         pdf_output.write(output_stream)

         output_stream.close()

         input_one.close()

         input_two.close()

         print ‘Done!‘

merge(r‘C:\Users\Administrator\Desktop\Pairs_Trading_Quantitative Methods and Analysis.pdf‘,r‘C:\Users\Administrator\Desktop\deMontjoye.SM.pdf‘)

#####################################################旋转页面###########################################################

‘‘‘

利用rotateClockwise()和rotateCounterClockwise()方法

PDF文档的页面也可以旋转90度的整数倍,向这些方法传入

整数90、180或270

‘‘‘

def merge(pdf_one, pdf_two, filename=‘my.pdf‘,output_dir=r‘C:\Users\Administrator\Desktop‘):

         input_one = file(pdf_one, ‘rb‘)

         input_two = file(pdf_two, ‘rb‘)

         pdf_input_one = PyPDF2.PdfFileReader(input_one)

         pdf_input_two = PyPDF2.PdfFileReader(input_two)

         numOne = pdf_input_one.getNumPages()

         numTwo = pdf_input_two.getNumPages()

         print numOne, numTwo

         pdf_output = PyPDF2.PdfFileWriter()

         for pageNum in range(numOne):

                   print ‘hereo‘

                   pageObj=pdf_input_one.getPage(pageNum)

                   pageObj=pageObj.rotateClockwise(90)

                   pdf_output.addPage(pageObj)

         for pageNum in range(numTwo):

                   print ‘heret‘

                   pageObj=pdf_input_two.getPage(pageNum)

                   pageObj=pageObj.rotateClockwise(90)

                   pdf_output.addPage(pageObj)

         pdf_name = output_dir+filename

         print pdf_name

         output_stream = file( pdf_name,‘wb‘)

         pdf_output.write(output_stream)

         output_stream.close()

         input_one.close()

         input_two.close()

         print ‘Done!‘

merge(r‘C:\Users\Administrator\Desktop\Pairs_Trading_Quantitative Methods and Analysis.pdf‘,r‘C:\Users\Administrator\Desktop\deMontjoye.SM.pdf‘)

#####################################################叠加页面###########################################################

import PyPDF2

minutesFile=open(r‘C:\Users\Administrator\Desktop\Pairs_Trading_Quantitative Methods and Analysis.pdf‘,‘rb‘)

pdfReader=PyPDF2.PdfFileReader(minutesFile)

minutesFirstPage=pdfReader.getPage(0)

pdfWatermarkReader=PyPDF2.PdfFileReader(open(r‘C:\Users\Administrator\Desktop\deMontjoye.SM.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(r‘C:\Users\Administrator\Desktop\merge.pdf‘,‘wb‘)

pdfWriter.write(resultPdfFile)

minutesFile.close()

resultPdfFile.close()

#####################################################加密PDF###########################################################

import PyPDF2

pdfFile=file(r‘C:\Users\Administrator\Desktop\deMontjoye.SM.pdf‘,‘rb‘)

pdfReader=PyPDF2.PdfFileReader(pdfFile)

pdfWriter=PyPDF2.PdfFileWriter()

for pageNum in range(pdfReader.numPages):

         pdfWriter.addPage(pdfReader.getPage(pageNum))

pdfWriter.encrypt(‘swordfish‘)

resultPdf=file(r‘C:\Users\Administrator\Desktop\t.pdf‘,‘wb‘)

pdfWriter.write(resultPdf)

resultPdf.close()

python自动化之PDF