Všichni musíte být obeznámeni s tím, co jsou soubory PDF. Ve skutečnosti jsou jedním z nejdůležitějších a nejrozšířenějších digitálních médií. PDF znamená Přenosný formát dokumentu . Používá .pdf rozšíření. Slouží k prezentaci a výměně dokumentů spolehlivě nezávisle na softwarovém hardwaru nebo operačním systému.
Vynalezl Adobe PDF je nyní otevřený standard spravovaný Mezinárodní organizací pro standardizaci (ISO). Soubory PDF mohou obsahovat odkazy a tlačítka z polí zvuku, videa a obchodní logiky.
V tomto článku se naučíme, jak můžeme provádět různé operace jako:
 

• Extrahování textu z PDF
• Otáčení stránek PDF
• Sloučení souborů PDF
• Rozdělení PDF
• Přidání vodoznaku na stránky PDF

Instalace: Pomocí jednoduchých pythonových skriptů!
Budeme používat modul třetí strany pypdf.
pypdf je knihovna pythonu vytvořená jako sada nástrojů PDF. Je schopen:
 

• Extrahování informací o dokumentu (autor názvu …)
• Rozdělení dokumentů stránku po stránce
• Slučování dokumentů stránku po stránce
• Oříznutí stránek
• Sloučení více stránek do jedné stránky
• Šifrování a dešifrování souborů PDF
• a další!

Chcete-li nainstalovat pypdf, spusťte z příkazového řádku následující příkaz:

pip install pypdf

Tento název modulu rozlišuje velká a malá písmena, takže se ujistěte, že a je malá písmena a vše ostatní je velká písmena. Všechny kódy a soubory PDF použité v tomto tutoriálu/článku jsou k dispozici zde .

program java ahoj

1. Extrahování textu ze souboru PDF

# importing required classes from pypdf import PdfReader # creating a pdf reader object reader = PdfReader('example.pdf') # printing number of pages in pdf file print(len(reader.pages)) # creating a page object page = reader.pages[0] # extracting text from page print(page.extract_text()) 

Výstup výše uvedeného programu vypadá takto:
 

20  
PythonBasics  
S.R.Doty  
August272008  
Contents  
  
1Preliminaries  
4  
1.1WhatisPython?...................................  
..4  
1.2Installationanddocumentation....................  
.........4     [and some more lines...]     

Pokusme se porozumět výše uvedenému kódu po částech:
 

java regex $

reader = PdfReader('example.pdf')  

• Zde vytvoříme objekt PdfReader třídy modulu pypdf a předejte cestu k souboru PDF a získejte objekt čtečky PDF.
   

print(len(reader.pages))  

• stránky vlastnost udává počet stránek v souboru PDF. Například v našem případě je to 20 (viz první řádek výstupu).
   

pageObj = reader.pages[0]  

• Nyní vytvoříme objekt PageObject třída modulu pypdf. Objekt čtečky PDF má funkci stránky[] který převezme číslo stránky (počínaje indexem 0) jako argument a vrátí objekt stránky.
   

print(pageObj.extract_text())  

• Objekt stránky má funkci extrakt_text() extrahovat text ze stránky PDF.

Poznámka: Zatímco soubory PDF jsou skvělé pro uspořádání textu způsobem, který si lidé snadno vytisknou a přečtou, není snadné je softwarem analyzovat do prostého textu. Jako takový může pypdf dělat chyby při extrahování textu z PDF a dokonce nemusí být možné některé soubory PDF vůbec otevřít. S tím se bohužel moc dělat nedá. pypdf může jednoduše být neschopný pracovat s některými vašimi konkrétními soubory PDF.

2. Otáčení stránek PDF
 

# importing the required classes from pypdf import PdfReader PdfWriter def PDFrotate(origFileName newFileName rotation): # creating a pdf Reader object reader = PdfReader(origFileName) # creating a pdf writer object for new pdf writer = PdfWriter() # rotating each page for page in range(len(reader.pages)): pageObj = reader.pages[page] pageObj.rotate(rotation) # Add the rotated page object to the PDF writer writer.add_page(pageObj) # Write the rotated pages to the new PDF file with open(newFileName 'wb') as newFile: writer.write(newFile) def main(): # original pdf file name origFileName = 'example.pdf' # new pdf file name newFileName = 'rotated_example.pdf' # rotation angle rotation = 270 # calling the PDFrotate function PDFrotate(origFileName newFileName rotation) if __name__ == '__main__': # calling the main function main() 

Zde se můžete podívat, jak na první stránce otočený_příklad.pdf vypadá po otočení jako (pravý obrázek):

Některé důležité body související s výše uvedeným kódem:
 

• Pro otočení nejprve vytvoříme objekt čtečky PDF původního PDF.

writer = PdfWriter()  

• Otočené stránky budou zapsány do nového PDF. Pro zápis do PDF používáme objekt PdfWriter třída modulu pypdf.

for page in range(len(pdfReader.pages)):  
 pageObj = pdfReader.pages[page]  
 pageObj.rotate(rotation)  
 writer.add_page(pageObj)  

• Nyní iterujeme každou stránku původního PDF. Získáme objekt stránky pomocí .stránky[] metoda třídy PDF reader. Nyní otočíme stránku o střídat() metoda třídy objektu stránky. Potom přidáme stránku do objektu PDF Writer pomocí přidat() metoda třídy PDF Writer předáním objektu otočené stránky.

newFile = open(newFileName 'wb')  
writer.write(newFile)  
newFile.close()  

• Nyní musíme zapsat stránky PDF do nového souboru PDF. Nejprve otevřeme nový objekt souboru a zapíšeme do něj stránky PDF pomocí napsat() metoda objektu PDF Writer. Nakonec zavřeme původní objekt souboru PDF a nový objekt souboru.

3. Slučování souborů PDF

import skeneru java

# importing required modules from pypdf import PdfWriter def PDFmerge(pdfs output): # creating pdf file writer object pdfWriter = PdfWriter() # appending pdfs one by one for pdf in pdfs: pdfWriter.append(pdf) # writing combined pdf to output pdf file with open(output 'wb') as f: pdfWriter.write(f) def main(): # pdf files to merge pdfs = ['example.pdf' 'rotated_example.pdf'] # output pdf file name output = 'combined_example.pdf' # calling pdf merge function PDFmerge(pdfs=pdfs output=output) if __name__ == '__main__': # calling the main function main() 

Výstupem výše uvedeného programu je kombinované PDF kombinovaný_příklad.pdf získané sloučením example.pdf a otočený_příklad.pdf .
 

• Pojďme se podívat na důležité aspekty tohoto programu:
   

pdfWriter = PdfWriter()

• Pro sloučení používáme předpřipravenou třídu PdfWriter modulu pypdf.
  Zde vytvoříme objekt pdfwriter třídy PDF Writer

 # appending pdfs one by one  
 for pdf in pdfs:  
 pdfWriter.append(pdf)

• Nyní připojíme objekt souboru každého PDF k objektu PDF Writer pomocí připojit() metoda.

 # writing combined pdf to output pdf file  
 with open(output 'wb') as f:  
 pdfWriter.write(f)

• Nakonec zapíšeme stránky PDF do výstupního souboru PDF pomocí napsat metoda objektu PDF Writer.

4. Rozdělení souboru PDF

# importing the required modules from pypdf import PdfReader PdfWriter def PDFsplit(pdf splits): # creating pdf reader object reader = PdfReader(pdf) # starting index of first slice start = 0 # starting index of last slice end = splits[0] for i in range(len(splits)+1): # creating pdf writer object for (i+1)th split writer = PdfWriter() # output pdf file name outputpdf = pdf.split('.pdf')[0] + str(i) + '.pdf' # adding pages to pdf writer object for page in range(startend): writer.add_page(reader.pages[page]) # writing split pdf pages to pdf file with open(outputpdf 'wb') as f: writer.write(f) # interchanging page split start position for next split start = end try: # setting split end position for next split end = splits[i+1] except IndexError: # setting split end position for last split end = len(reader.pages) def main(): # pdf file to split pdf = 'example.pdf' # split page positions splits = [24] # calling PDFsplit function to split pdf PDFsplit(pdf splits) if __name__ == '__main__': # calling the main function main() 

Výstupem budou tři nové soubory PDF s rozdělení 1 (strana 01) rozdělení 2 (strana 23) rozdělení 3 (strana 4-konec) .
Ve výše uvedeném programu python nebyla použita žádná nová funkce nebo třída. Pomocí jednoduché logiky a iterací jsme vytvořili rozdělení předaného PDF podle předaného seznamu rozdělí .

python __name__

5. Přidání vodoznaku na stránky PDF

# importing the required modules from pypdf import PdfReader PdfWriter def add_watermark(wmFile pageObj): # creating pdf reader object of watermark pdf file reader = PdfReader(wmFile) # merging watermark pdf's first page with passed page object. pageObj.merge_page(reader.pages[0]) # returning watermarked page object return pageObj def main(): # watermark pdf file name mywatermark = 'watermark.pdf' # original pdf file name origFileName = 'example.pdf' # new pdf file name newFileName = 'watermarked_example.pdf' # creating pdf File object of original pdf pdfFileObj = open(origFileName 'rb') # creating a pdf Reader object reader = PdfReader(pdfFileObj) # creating a pdf writer object for new pdf writer = PdfWriter() # adding watermark to each page for page in range(len(reader.pages)): # creating watermarked page object wmpageObj = add_watermark(mywatermark reader.pages[page]) # adding watermarked page object to pdf writer writer.add_page(wmpageObj) # writing watermarked pages to new file with open(newFileName 'wb') as newFile: writer.write(newFile) # closing the original pdf file object pdfFileObj.close() if __name__ == '__main__': # calling the main function main() 

Takto vypadá první stránka původního (vlevo) a vodoznaku (vpravo) souboru PDF:
 

• Celý proces je stejný jako v příkladu rotace stránky. Jediný rozdíl je:
   

wmpageObj = add_watermark(mywatermark pdfReader.pages[page])  

• Objekt stránky se převede na objekt stránky s vodoznakem pomocí add_watermark() funkce.
• Pokusme se pochopit add_watermark() funkce:
   

 reader = PdfReader(wmFile)  
 pageObj.merge_page(reader.pages[0])  
 return pageObj  

• Nejprve vytvoříme objekt čtečky PDF vodoznak.pdf . K předanému objektu stránky, který používáme merge_page() a předat objekt stránky první stránky objektu čtečky PDF vodoznaku. Tím se překryje vodoznak přes předaný objekt stránky.

A tady se dostáváme na konec tohoto dlouhého tutoriálu o práci se soubory PDF v pythonu.
Nyní si můžete snadno vytvořit svého vlastního správce PDF!
Reference:
 

• https://automatetheboringstuff.com/chapter13/
• https://pypi.org/project/pypdf/

Pokud máte rádi GeeksforGeeks a chtěli byste přispět, můžete také napsat článek pomocí write.geeksforgeeks.org nebo poslat svůj článek na [email protected]. Podívejte se, jak se váš článek objeví na hlavní stránce GeeksforGeeks a pomozte ostatním Geekům.
Pokud najdete něco nesprávného nebo pokud chcete sdílet více informací o výše uvedeném tématu, napište prosím komentáře.