久久亚洲精品ab无码播放,久热这里只精品99国产bd999,久久天天躁夜夜狠狠综合

<nav id="2q4np"><video id="2q4np"></video></nav>
  • <code id="2q4np"></code>

  • <th id="2q4np"><option id="2q4np"></option></th><strike id="2q4np"></strike>
    71愛課網 >  python培訓學校 python編輯pdf文檔(python_pdf解析)

    python編輯pdf文檔(python_pdf解析)

    • 授課方式: 面授/網課
    • 授課學校:python培訓學校
    • 預約人數:1148人試聽過
    • 教學點: 0個
    • 上課時段: 全日制
    • 開課時間:隨到隨學
    • 微信客服: 掃碼咨詢
    • 咨詢電話: 15907412407

    人工智能

    使用第三方庫

    PyPDF2

    讀取、寫入、分割、合并PDF文

    安裝:

    pdfplumber

    讀取 PDF 文件中內容和提取 PDF 中的表格

    安裝:

    !pip3 install PyPDF2

    復制代碼

    Collecting PyPDF2

    Downloading PyPDF2-1.26.0.tar.gz (77 kB)

    [K |████████████████████████████████| 77 kB 125 kB/s

    [?25hBuilding wheels for collected packages: PyPDF2

    Building wheel for PyPDF2 (setup.py) ... [?25ldone

    [?25h Created wheel for PyPDF2: filename=PyPDF2-1.26.0-py3-none-any.whl size=61085 sha256=dba5825a58d21d37cf9e417039694f1b9e716760ee7b9f0fdcca8fc65b8ef3fe

    Stored in directory: /Users/lichizou/Library/Caches/pip/wheels/d9/dc/ec/72da68331f30074b9950c1737c23cb8a67484e61498bc9713d

    Successfully built PyPDF2

    Installing collected packages: PyPDF2

    Successfully installed PyPDF2-1.26.0

    復制代碼

    !pip3 install pdfplumber

    復制代碼

    Collecting pdfplumber

    Downloading pdfplumber-0.5.28.tar.gz (45 kB)

    [K |████████████████████████████████| 45 kB 152 kB/s

    [?25hCollecting pdfminer.six==20200517

    Downloading pdfminer.six-20200517-py3-none-any.whl (5.6 MB)

    [K |████████████████████████████████| 5.6 MB 145 kB/s

    [?25hCollecting Pillow>=7.0.0

    Downloading Pillow-8.2.0-cp39-cp39-macosx_10_10_x86_64.whl (2.8 MB)

    [K |████████████████████████████████| 2.8 MB 70 kB/s

    [?25hCollecting Wand

    Downloading Wand-0.6.6-py2.py3-none-any.whl (138 kB)

    [K |████████████████████████████████| 138 kB 16 kB/s

    [?25hCollecting pycryptodome

    Downloading pycryptodome-3.10.1-cp35-abi3-macosx_10_9_x86_64.whl (1.5 MB)

    [K |████████████████████████████████| 1.5 MB 43 kB/s

    [?25hCollecting sortedcontainers

    Downloading sortedcontainers-2.4.0-py2.py3-none-any.whl (29 kB)

    Collecting chardet

    Downloading chardet-4.0.0-py2.py3-none-any.whl (178 kB)

    [K |████████████████████████████████| 178 kB 96 kB/s

    [?25hBuilding wheels for collected packages: pdfplumber

    Building wheel for pdfplumber (setup.py) ... [?25ldone

    [?25h Created wheel for pdfplumber: filename=pdfplumber-0.5.28-py3-none-any.whl size=32219 sha256=23afcf4aa92bdd0fb4e2a71b0974c1edd5ca9e59b37ef5e41b15fae3bffc5c30

    Stored in directory: /Users/lichizou/Library/Caches/pip/wheels/e9/cb/1b/c5dbba18cac53515263c5f26443e4617fa432c32cbaa7d8e48

    Successfully built pdfplumber

    Installing collected packages: sortedcontainers, pycryptodome, chardet, Wand, Pillow, pdfminer.six, pdfplumber

    Successfully installed Pillow-8.2.0 Wand-0.6.6 chardet-4.0.0 pdfminer.six-20200517 pdfplumber-0.5.28 pycryptodome-3.10.1 sortedcontainers-2.4.0

    復制代碼

    for i in range(0, 10, 2):

    print(i)

    復制代碼

    0

    2

    4

    6

    8

    復制代碼

    批量拆分

    def split_pdf(filename, filepath, save_dirpath, step=5):

    '''

    拆分pdf為多個小pdf文件,

    @param filename: 要拆分的文件名

    @param filepath: 要拆分的文件路徑

    @param save_dirpath: 保存小的的pdf的文件路徑

    @param step: 每個step頁生成一個文件,默認情況,0-4頁問一個文件,5-9頁為第二個文件

    @return:

    '''

    if not os.path.exists(save_dirpath):

    os.makedirs(save_dirpath)

    pdf_reader = PdfFileReader(filepath)

    pages = pdf_reader.getNumPages()

    for page in range(0, pages, step): # page取值:list [0, 5, 10...pages)

    pdf_writer = PdfFileWriter()

    for index in range(page, page + step): # index取值, 區間: [0, 5),[5, 10)

    if index < pages: # 防止全部頁數不能整除

    pdf_writer.addPage(pdf_reader.getPage(index)) # 逐頁添加

    save_path = os.path.join(save_dirpath, filename + str(int(page / step) + 1) + '.pdf')

    with open(save_path, 'wb') as out:

    pdf_writer.write(out)

    復制代碼

    from PyPDF2 import PdfFileReader

    from PyPDF2 import PdfFileWriter

    復制代碼

    path = '易方達中小板指數證券投資基金(LOF)2020年中期報告' # 當前路徑下

    split_pdf(path, path + '.pdf', 'test_pdf')

    復制代碼

    批量合并

    '易方達中小板指數證券投資基金(LOF)2020年中期報告1.pdf'[:-4].replace('易方達中小板指數證券投資基金(LOF)2020年中期報告', '')

    復制代碼

    '1'

    復制代碼

    '123456789'[:-4]

    復制代碼

    '12345'

    復制代碼

    os.listdir('./test_pdf/')

    復制代碼

    ['易方達中小板指數證券投資基金(LOF)2020年中期報告3.pdf',

    '易方達中小板指數證券投資基金(LOF)2020年中期報告2.pdf',

    '易方達中小板指數證券投資基金(LOF)2020年中期報告1.pdf',

    '易方達中小板指數證券投資基金(LOF)2020年中期報告5.pdf',

    '易方達中小板指數證券投資基金(LOF)2020年中期報告4.pdf',

    '易方達中小板指數證券投資基金(LOF)2020年中期報告6.pdf',

    '易方達中小板指數證券投資基金(LOF)2020年中期報告7.pdf',

    '易方達中小板指數證券投資基金(LOF)2020年中期報告9.pdf',

    '易方達中小板指數證券投資基金(LOF)2020年中期報告8.pdf',

    '易方達中小板指數證券投資基金(LOF)2020年中期報告10.pdf']

    復制代碼

    def concat_pdf(filename, read_dirpath, save_filepath):

    '''

    合并多個pdf文件

    @param filename: 文件名

    @param read_dirpath: 要合并的pdf目錄

    @param save_filepath: 合并后的pdf文件路徑

    @return

    '''

    pdf_writer = PdfFileWriter()

    list_filename = os.listdir(read_dirpath)

    list_filename.sort(key=lambda x: int(x[:-4].replace(filename, ''))) # 去掉.pdf,替換文件名,獲得文件編號

    for fn in list_filename:

    filepath = os.path.join(read_dirpath, fn)

    pdf_reader = PdfFileReader(filepath)

    pages = pdf_reader.getNumPages()

    for page in range(pages): # 逐頁添加

    pdf_writer.addPage(pdf_reader.getPage(page))

    with open(save_filepath, 'wb') as out:

    pdf_writer.write(out)

    復制代碼

    concat_pdf('易方達中小板指數證券投資基金(LOF)2020年中期報告', './test_pdf/', 'concat.pdf')

    復制代碼

    提取文字內容

    import pdfplumber

    復制代碼

    def extract_pdf_text(pdf_path, page_order=-1):

    '''

    提取pdf指定頁文字

    @param pdf_path: 文件路徑

    @param page_order: 頁數,[0,];-1表示讀取全部

    @return

    '''

    with pdfplumber.open(pdf_path) as pdf:

    if page_order == -1:

    for page in pdf.pages:

    print(page.extract_text())

    return

    page = pdf.pages[page_order]

    print(page.extract_text())

    復制代碼

    extract_pdf_text('concat.pdf', 0)

    復制代碼

    易方達中小板指數證券投資基金(LOF)2020年中期報告

    易方達中小板指數證券投資基金(LOF)

    2020 年中期報告

    2020 年 6 月 30 日

    基金管理人:易方達基金管理有限公司

    基金托管人:中國建設銀行股份有限公司

    送出日期:二〇二〇年八月二十八日

    復制代碼

    # 將pdf內容存入txt

    def save_pdf_text_as_txt(pdf_path, txt_path, page_order=-1):

    str = ''

    with pdfplumber.open(pdf_path) as pdf:

    if page_order == -1:

    for page in pdf.pages:

    str += page.extract_text()

    #print(page.extract_text())

    return

    page = pdf.pages[page_order]

    #print(page.extract_text())

    str += page.extract_text()

    with open(txt_path, 'w') as file:

    file.write(str)

    復制代碼

    save_pdf_text_as_txt('concat.pdf','concat_1.txt', 0)

    復制代碼

    # 格式丟失

    def get_pdf_text(pdf_path, page_order=-1):

    str = ''

    with pdfplumber.open(pdf_path) as pdf:

    if page_order == -1:

    for page in pdf.pages:

    str += page.extract_text()

    #print(page.extract_text())

    return

    page = pdf.pages[page_order]

    #print(page.extract_text())

    str += page.extract_text()

    return str

    復制代碼

    # savepath帶有文件后綴,因此可以獲得文件類型:txt或word

    def save_pdf_text(str, save_path):

    pass

    復制代碼

    提取表格內容

    import pdfplumber

    復制代碼

    def extract_pdf_table(pdf_path, page_order = 0):

    with pdfplumber.open(pdf_path) as pdf:

    page = pdf.pages[page_order]

    table_info = page.extract_tables()

    # 該頁只有一個表格的情況下,設置表格第一行為表頭,其余為數據

    for index in range(len(table_info)):

    df_table = pd.DataFrame(table_info[index][1: ], columns=table_info[index][0])

    #print(index)

    #print(df_table)

    # todo: 是否可以合并成1個文件?

    file_name = 'pdf_table_' + str(page_order + 1) + '_' + str(index + 1) +'.csv'

    print(file_name)

    df_table.to_csv(file_name, index=False, encoding='gbk') # gbk能用excel打開,utf-8用vscode打開

    !pip3 install Pandas

    Requirement already satisfied: Pandas in /usr/local/lib/python3.9/site-packages (1.2.4)

    Requirement already satisfied: pytz>=2017.3 in /usr/local/lib/python3.9/site-packages (from Pandas) (2021.1)

    Requirement already satisfied: python-dateutil>=2.7.3 in /Users/lichizou/Library/Python/3.9/lib/python/site-packages (from Pandas) (2.8.1)

    Requirement already satisfied: numpy>=1.16.5 in /usr/local/lib/python3.9/site-packages (from Pandas) (1.20.3)

    Requirement already satisfied: six>=1.5 in /Users/lichizou/Library/Python/3.9/lib/python/site-packages (from python-dateutil>=2.7.3->Pandas) (1.16.0)

    import pandas as pd

    extract_pdf_table('易方達中小板指數證券投資基金(LOF)2020年中期報告.pdf', 6)

    pdf_table7.csv

    extract_pdf_table('易方達中小板指數證券投資基金(LOF)2020年中期報告.pdf', 7) # 第8頁,單表格

    pdf_table8.csv

    extract_pdf_table('易方達中小板指數證券投資基金(LOF)2020年中期報告.pdf', 15) # 第16頁,多表格,第一個表格殘缺,最終只輸出完整的第二個表格

    pdf_table_16_1.csv

    pdf_table_16_2.csv

    extract_pdf_table('易方達中小板指數證券投資基金(LOF)2020年中期報告.pdf', 14) # 第15頁,表格有部分在第16頁,檢測是否完全輸出:沒有,被截斷了.bug了

    pdf_table_15_1.csv

    pdf_table_15_2.csv

    # 完整的2個表格,第20頁

    extract_pdf_table('易方達中小板指數證券投資基金(LOF)2020年中期報告.pdf', 19)

    pdf_table_20_1.csv

    pdf_table_20_2.csv

    提取圖片內容

    使用模塊fitz,最新版1.18.13和非最新版在部分函數名稱上有差異

    需要先安裝PyMuPDF: pip3 install PyMuPDF

    官方文檔:pymupdf.readthedocs.io/en/latest/

    提取圖片的整體邏輯如下:

    使用 fitz 打開文檔,獲取文檔詳細數據

    遍歷每一個元素,通過正則找到圖片的索引位置

    使用 Pixmap 將索引對應的元素生成圖片

    通過 size 函數過濾較小的圖片

    !pip3 install PyMuPDF

    Collecting PyMuPDF

    Downloading PyMuPDF-1.18.14-cp39-cp39-macosx_10_9_x86_64.whl (5.6 MB)

    [K |████████████████████████████████| 5.6 MB 5.1 MB/s

    [?25hInstalling collected packages: PyMuPDF

    Successfully installed PyMuPDF-1.18.14

    import fitz

    import re

    pdf = fitz.open('易方達中小板指數證券投資基金(LOF)2020年中期報告.pdf')

    xref_len = pdf.xref_length()

    xref_len # 文檔對象個數

    17912

    len(pdf) # 實際pdf頁數

    49

    # 導出圖片地址

    pic_dir = 'pdf_export_img'

    if not os.path.exists(pic_dir):

    os.makedirs(pic_dir)

    # 使用正則表達式來查找圖片

    check_XObject = r"/Type(?= */XObject)"

    check_Image = r"/Subtype(?= */Image)"

    # 遍歷pdf對象,找到圖像

    img_count = 0

    for index in range(1, xref_len):

    text = pdf.xref_object(index)

    is_xobject = re.search(check_XObject, text)

    is_image = re.search(check_Image, text)

    if is_xobject or is_image:

    img_count += 1

    # 根據索引生成圖像

    pix = fitz.Pixmap(pdf, index)

    pic_filepath = os.path.join(pic_dir, 'img_' + str(img_count) + ".png")

    """pix.size 可以反映像素多少,簡單的色素塊該值較低,可以通過設置一個閾值過濾。以閾值 10000 為例過濾"""

    # if pix.size < 10000:

    # continue

    # 將圖片保存為png格式

    if pix.n >= 5:

    pix = fitz.Pixmap(fitz.csRGB, pix)

    pix.writePNG(pic_filepath)

    print('導出圖片:' + str(img_count)) # 整個pdf只有1張圖

    導出圖片:1

    轉存為圖片

    將每一頁轉換為一張張圖片

    安裝pdf2image, github:github.com/Belval/pdf2…

    安裝:

    pip3 install pdf2image

    對于 mac 用戶,需要安裝 poppler for Mac: brew install poppler

    !pip3 install pdf2image

    Collecting pdf2image

    Downloading pdf2image-1.15.1-py3-none-any.whl (10 kB)

    Requirement already satisfied: pillow in /usr/local/lib/python3.9/site-packages (from pdf2image) (8.2.0)

    Installing collected packages: pdf2image

    Successfully installed pdf2image-1.15.1

    復制代碼

    # 3種方法,這里使用官方圖推薦的更好的一種

    from pdf2image import convert_from_path

    import tempfile

    import send2trash

    import shutil

    # 肉眼可見的慢

    def pdf_saveas_img(pdf_path, img_dir):

    # 方便測試,

    send2trash.send2trash(img_dir)

    if not os.path.exists(img_dir):

    os.makedirs(img_dir)

    with tempfile.TemporaryDirectory() as path:

    ppm = convert_from_path(pdf_path, output_folder=img_dir)

    # 將ppm文件保存為png圖片

    for index, pm in enumerate(ppm, 1):

    img_name = pdf_name + '-' + str(index).zfill(2) + '.png'

    pm.save(os.path.join(os.path.dirname(pm.filename), img_name))

    # 刪除ppm文件

    for root, dir, file in os.walk(img_dir):

    for f in file:

    if f[-4:] == '.ppm':

    #print(f)

    send2trash.send2trash(os.path.join(root, f))

    pdf_path = '易方達中小板指數證券投資基金(LOF)2020年中期報告.pdf'

    img_dir = 'pdf_img'

    # 發現生成了.ppm格式的文件,不是圖片格式,且命名帶有規律,但不是原來的名字

    ppm = pdf_saveas_img(pdf_path, img_dir)

    #help(ppm[0])

    ppm[0].save('pdf_img.png')

    type(ppm[0])

    PIL.PpmImagePlugin.PpmImageFile

    ppm[0].filename

    'pdf_img/76b22d8c-b50f-4bfe-b5ef-f8b446d7d0ae-01.ppm'

    復制代碼

    pdf_path.split('.')[0]

    復制代碼

    '易方達中小板指數證券投資基金(LOF)2020年中期報告'

    'pdf_img/76b22d8c-b50f-4bfe-b5ef-f8b446d7d0ae-01.ppm'[:-4]

    'pdf_img/76b22d8c-b50f-4bfe-b5ef-f8b446d7d0ae-01'

    添加水印

    使用庫: github.com/2Dou/waterm…

    步驟:

    1.獲得一個帶水印pdf文件

    1.1在圖片添加水印,圖片插入到word,word保存為pdf

    1.2python處理:參考

    github.com/2Dou/waterm…

    mp.weixin.qq.com/s/_oJA6lbsd…

    2.將水印pdf文件合并到源目標pdf文件的每一頁

    獲取水印圖片

    步驟1:省車給你一張透明的水印

    步驟2: 將水印添加到一張空白圖上生成水印背景

    步驟3: 將水印背景粘貼到原圖對應的位置上去

    兩種水印類型

    固定位置水?。喝菀妆蝗コ?/p>

    全屏水?。翰蝗菀妆蝗コ?,但可能會影響閱讀

    土辦法

    法1,直接在word,插入文本框,旋轉,設置無邊框,注意設置背景透明,然后復制多個。導出為pdf。

    法2,word本身自己的增加水印,設計-水印-自定義文字或圖片。缺點是只能是單個水印。

    # 給pdf添加水印

    def add_pdf_watermask(mask_path, pdf_path, save_path):

    watermask = PdfFileReader(mask_path)

    watermask_page = watermask.getPage(0)

    pdf_reader = PdfFileReader(pdf_path)

    pdf_writer = PdfFileWriter()

    pdf_page_num = pdf_reader.getNumPages()

    # 對pdf的每一頁(除了首頁),逐頁與水印pdf合并,并添加到新的pdf

    for page_index in range(pdf_page_num):

    current_page = pdf_reader.getPage(page_index)

    if page_index == 0: # 第一頁不加水印

    pdf_writer.addPage(current_page)

    continue

    current_page.mergePage(watermask_page)

    current_page.compressContentStreams() # 壓縮內容

    pdf_writer.addPage(current_page)

    # 保存新的pdf文件

    with open(save_path, 'wb') as out:

    pdf_writer.write(out)

    add_pdf_watermask('chizou.pdf', 'concat.pdf', 'concat_watermarker.pdf')

    缺點是水印在內容pdf上方,如果設置過大,顏色不太透明,會遮擋內容。

    python自動化-pdf文檔操作

    python自動化-pdf文檔操作

    文檔加密與解密

    解密:并不是破解,而是在已知密碼的情況下解密

    from PyPDF2 import PdfFileReader

    from PyPDF2 import PdfFileWriter

    # 加密

    pdf_reader = PdfFileReader('concat.pdf')

    pdf_writer = PdfFileWriter()

    page_num = pdf_reader.getNumPages()

    for page_index in range(page_num):

    pdf_writer.addPage(pdf_reader.getPage(page_index))

    pdf_writer.encrypt('masaikemasaike') # 先逐頁添加頁,最后加密

    with open('concat_encrypt.pdf', 'wb') as out: # 必須是wb,二進制打開

    pdf_writer.write(out)

    # 解密:對concat_encrypt.pdf解密,另存

    pdf_reader = PdfFileReader('concat_encrypt.pdf')

    pdf_reader.decrypt('masaikemasaike') # 一次性解密

    pdf_writer = PdfFileWriter()

    page_num = pdf_reader.getNumPages()

    for page_index in range(page_num):

    pdf_writer.addPage(pdf_reader.getPage(page_index))

    with open('concat_decrypt.pdf', 'wb') as out:

    pdf_writer.write(out)

    作者:秦與商

    鏈接:https://juejin.cn/post/7069582991982329893

    推薦課程

    師資力量

    久久亚洲精品ab无码播放,久热这里只精品99国产bd999,久久天天躁夜夜狠狠综合