Python中操作PDF文件的常用方法与工具选型

Python处理PDF的核心目标与依赖环境

日常办公与数据流转中，常需对PDF执行批量整合、页面拆解、内容抽取、格式生成及安全管控。本文按照真实操作链路梳理四大核心任务，直接给出可运行的代码骨架与关键参数说明。

首次使用前需在终端执行依赖安装：

pip install PyPDF2
pip install pdfminer.six
pip install reportlab

第1步：使用PyPDF2合并与拆分文档

目的：批量整合多个独立文件或按页拆解大型报表。
入口：Python脚本或交互式环境。
动作：实例化合并器或读写器，遍历路径列表进行IO操作。
重要参数：源文件数组（如['file1.pdf','file2.pdf']）与目标输出路径。
完成状态：控制台输出执行成功提示，工作目录生成对应的新文件。

import PyPDF2

# 创建一个 PDF 合并器对象
pdf_merger = PyPDF2.PdfMerger()

# 需要合并的 PDF 文件列表
pdf_files = ['file1.pdf', 'file2.pdf', 'file3.pdf']

# 合并 PDF 文件
for pdf in pdf_files:
    pdf_merger.append(pdf)

# 输出合并后的 PDF 文件
pdf_merger.write('merged_output.pdf')
pdf_merger.close()

print("PDF 文件合并完成！")

拆分实现逻辑

拆分依赖PdfReader获取总页数，循环内逐页追加至PdfWriter并定向写入。注意每次循环内新开文件流避免句柄冲突，最终生成page_1.pdf至page_N.pdf序列即为拆分闭环。

第2步：调用第三方引擎精准提取文本

目的：获取PDF内的纯文本内容，适用于归档、检索或二次建模预处理。
入口：模块化函数调用。
动作：通过专用解析接口或页面对象逐行读取。
重要参数：待解析文件路径。
完成状态：日志区打印完整段落，内存变量接收结构化字符串。

import PyPDF2

# 打开 PDF 文件
with open('sample.pdf', 'rb') as file:
    reader = PyPDF2.PdfReader(file)
    text = ""
    
    # 提取所有页的文本
    for page_num in range(len(reader.pages)):
        page = reader.pages[page_num]
        text += page.extract_text()

print("PDF 文件内容：")
print(text)

高阶替代方案：pdfminer.six内置更完善的版面分析算法，对表格型或混排复杂的文档还原度更高，调用极简：from pdfminer.high_level import extract_text; text = extract_text('sample.pdf')。PyMuPDF(fitz)则侧重底层渲染树解析，提取速度最快，适合海量文档流水线作业。

第3步：基于ReportLab创建并渲染内容

目的：从零构建符合企业规范的PDF票据、报表或宣传页。
入口：canvas.Canvas上下文初始化。
动作：设定纸张规格后，通过坐标映射绘制文本串、几何图形或外部媒体资源。
重要参数：pageszie定义画幅，drawString(x,y,text)定位文字，drawImage(path,w,h)绑定图像尺寸。
完成状态：调用c.save()提交绘制指令，生成离线文档。

from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvas

def create_pdf_with_image(output_filename):
    c = canvas.Canvas(output_filename, pagesize=letter)
    c.drawString(100, 750, "Here is an image below:")
    
    # 添加图像
    c.drawImage("image.jpg", 100, 500, width=200, height=150)  # 图像位置和大小
    
    c.save()

crate_pdf_with_image("pdf_with_image.pdf")
print("PDF 文件（带图像）创建完成！")

第4步：为文档配置访问权限控制

⚠️ 风险提醒：加密操作会改变文件校验结构，务必在执行覆盖前备份原始凭证与源文件，防止遗忘密钥导致永久无法读取。

目的：限制未授权查阅或篡改敏感数据。
入口：读写混合模式下的安全接口。
动作：将原文档页队列注入写入器，挂载加密算法并写入密文副本；解密则反向校验口令流。

import PyPDF2

# 加密演示
with open('sample.pdf', 'rb') as file:
    reader = PyPDF2.PdfReader(file)
    writer = PyPDF2.PdfWriter()
    for page in reader.pages:
        writer.add_page(page)
    
    password = "your_password"
    writer.encrypt(password)
    
    with open('encrypted_sample.pdf', 'wb') as encrypted_file:
        writer.write(encrypted_file)
print("PDF 文件加密完成！")

# 解密演示
with open('encrypted_sample.pdf', 'rb') as file:
    reader = PyPDF2.PdfReader(file)
    password = "your_password"
    if reader.is_encrypted:
        reader.decrypt(password)
    
    writer = PyPDF2.PdfWriter()
    for page in reader.pages:
        writer.add_page(page)
    
    with open('decrypted_sample.pdf', 'wb') as decrypted_file:
        writer.write(decrypted_file)
print("PDF 文件解密完成！")

运行验证排错与交付确认

执行时若抛出ModuleNotFoundError，请核对当前Python环境与pip安装的版本空间是否一致。部分底层解析组件在纯Linux容器内可能缺失C扩展，建议优先采用预编译轮子或切换Conda虚拟环境。操作落盘后，比对输出文件的页数标记与实际业务量是否吻合，且能正常被常规阅读器打开，即判定为流程完结。

工具链适用场景对照

• PyPDF2：轻量级元数据处理，适合常规合并、分页切割、基础口令保护。
• pdfminer.six：专注版面还原与深度文本挖掘，应对复杂排版与表格抽取。
• reportlab：完全可控的渲染引擎，用于定制化单据、证书或带图排版输出。
• PyMuPDF：底层直读架构，追求极高吞吐量的批量化文本/图像收割。

以上就是Python中操作PDF文件的常用方法的详细内容，更多关于Python操作PDF文件的资料请关注本站其它相关文章！