Python 自动化教程(6) : PDF文件处理

本篇介绍使用  office 库处理 PDF文件.

 office库简介

     office库是笔者写的python库，用于办公自动化，功能是很强的, 包括：PPT自动生成、PPT转长图、PPT带语音播放、Word自动生成、Excel数据处理、图片处理、视频处理、office文档转为PDF、PDF加解密、加水印等等，都是实用的干货。

使用方法极简，大多数功能只需一行、两行代码。

 使用PIP 安装office库：

请在命令行，通过PIP安装：

pip install jojo-office

office库的安装名称是 jojo-office

使用时： import office 即可。

import office

六、PDF文件处理

1，各类office文档转为PDF

对于 Word, Excel, Power文档，均可存为PDF文件 （office库调用相应Office程序完成，需本机安装有Office)。

import office
 
 
# 打开word文件，存为pdf文件
office.open_file("input.docx").save("output.pdf")
 
# 打开excel文件，存为pdf文件
office.open_file("input.xlsx").save("output2.pdf")
 
# 打开ppt文件，存为pdf文件
office.open_file("input.pptx").save("output3.pdf")

2，提取PDF部分页面

import office
 
 
# 打开PDF文件
pdf = office.open_file("report.pdf")
# 取得页数
total_pages = len(pdf)
# 需要的页的列表
need_pages = [0, 1]
# 存盘为新文件，只保留需要的页
pdf.save("report_0_1.pdf", pages=need_pages)

说明：

1， 调用 save()方法时， pages 参数指定一个页数列表 （第一页为0, ...)， 则存盘时只保存指定的页，其他页不要了。

2， 对pdf对象， len(pdf)  将返回pdf文件的总页数。

3， office.open_file() 可以打开 .pdf文件， 返回  PDF类的对象。也可以直接调用PDF类打开文件，效果是一样的：

pdf = office.PDF("report.pdf")

3，PDF文件加密

PDF文件支持密码。

# 打开PDF文件, 存盘时加上 password 参数，则存盘pdf文件将有密码保护
office.open_file("report.pdf").save("report_encrypted.pdf", password="123")

4，PDF文件解密

import office 
 
# 打开已加密的PDF文件时，应加上 password 参数
pdf = office.open_file("report_encrypted.pdf", password="123")\
 
# 再存盘时，不加 password 参数，则存盘文件将无密码。
pdf.save("report_new.pdf")

干货： pdf文件的密码不能太简单，否则，他人可以通过暴力破解法轻松获得密码（暴力破解法就是拿一个密码字典，一个一个密码不断去试，直到攻破）。 office库提供了一个 对PDF文件的 guess_password() 的方法，支持密码字典破解。破解程序如下：

import office
 
 
# 打开已加密的PDF文件时， 注意：没有password参数
pdf = office.open_file("report_encrypted.pdf")
 
# 调用 guess_password() 方法，进行密码破解
password = pdf.guess_password()
print('password is', password)

程序运行结果： password is 123

可见，弱密码是多么可怕。一个不弱的密码应不少于8个字符，由大小写字母、数字、特殊符号组成，不要用连续数字、字母、生日、手机号码等。

可以自己写一个密码字典文件（文本文件，每一行是一个密码），调用 guess_password() 时代入字典文件名即可，如下：

# 字典文件是 dict.txt
pdf.guess_password("dict.txt")

5，PDF文件加水印

import office 
 
# 打开PDF文件
pdf = office.open_file("report.pdf")
 
# 存盘时，加上 watermark 参数，则存盘文件将有水印文字
pdf.save("report_with_mark.pdf", watermark="商业秘密，注意保管")

注意：

1， 加水印功能依赖 reportlab 库， 请先安装

2， 加水印并不是十分安全的，因为有方法可以去水印 (PS: 不详细讲了).

6， 提取PDF文件中的文字、表格

注意： 取pdf文字、表格的功能，依赖 pdfplumber 库，请先安装:  pip install pdfplumber

# 打开PDF文件
pdf = office.open_file("report.pdf")
 
# 获得PDF文件中的文字
text_list = pdf.text()
print(text_list)
 
# 获得PDF文件中的表格，返回值是一个列表，每个元素是一个表格（一个表格是一个二维数组）
table_list = pdf.tables()
print(table_list)

程序运行结果：

业务发展汇报
2022年01月
编制人
...
[[['城市', '销量', '金额'], ['广州', '20773', '1003'], ['深圳', '32005', '1233.8'], ...

如果只想取某一页的文字、图标，则代码为：

# 打开PDF文件
pdf = office.open_file("report.pdf")
 
# 获得第2页中的文字 （注：第1页索引号为0)
text = pdf.pages[1].text()
print(text)
 
# 获得第2页中的文字
table_list = pdf.pages[1].tables()
print(table_list)

说明:    pages[index] 可以取得某一页， 再调用  text(),  tables() 

续篇：

office库还有其他许多功能，下节课再讲。

office库还在开发完善中，偶有bug请见谅、或提改进。

有兴趣深入研究的，可以看office.py的源码。