Python中pypdf库处理PDF文件的详细说明和常见用法
更新时间：2025年05月19日 09:27:46 作者：彬彬侠
这篇文章主要介绍了Python中pypdf库处理PDF文件的详细说明和常见用法, pypdf是Python库,用于处理PDF文件,支持读取、修改、合并、拆分、加密等操作,文中通过代码介绍的非常详细,需要的朋友可以参考下
前言
pypdf 是一个纯 Python 库，用于处理 PDF 文件。它支持读取、修改、合并、拆分、加密和提取 PDF 文件的文本、元数据及页面内容。pypdf 是 PyPDF2 的继任者（2022 年更名并重构），提供了更现代化的 API 和更高的性能，适合处理简单的 PDF 操作任务。
以下是对 pypdf 库的详细说明和常见用法。
1. pypdf 库的作用
- 读取 PDF：提取文本、元数据、页面数量等。
- 修改 PDF：合并、拆分、旋转、裁剪页面。
- 创建 PDF：生成新 PDF 或添加内容（如文本、水印）。
- 加密/解密：为 PDF 设置密码或解锁受保护的 PDF。
- 跨平台：纯 Python 实现，无需外部依赖（如 Adobe Acrobat）。
2. 安装与环境要求
- Python 版本：支持 Python 3.6+（推荐 3.8+）。
- 依赖：无强制外部依赖，可选依赖：
Pillow：处理 PDF 中的图像。pycryptodome：支持加密/解密。
- 安装命令：
pip install pypdf
- 可选扩展：
pip install pypdf[image] # 包含 Pillow pip install pypdf[crypto] # 包含 pycryptodome
- 验证安装：
import pypdf print(pypdf.__version__) # 示例输出: 5.0.1
3. 核心功能与用法
pypdf 的核心类包括 PdfReader（读取 PDF）、PdfWriter（修改/创建 PDF）和 PdfMerger（合并 PDF）。以下是主要功能和示例。
3.1 读取 PDF
使用 PdfReader 读取 PDF 文件，提取元数据、页面数和文本。
from pypdf import PdfReader
# 打开 PDF 文件
reader = PdfReader("example.pdf")
# 获取元数据
metadata = reader.metadata
print(metadata) # 输出: {'/Title': 'Example PDF', '/Author': 'John Doe', ...}
# 获取页面数
print(len(reader.pages)) # 输出页面数
# 提取第一页文本
page = reader.pages[0]
print(page.extract_text())
说明：
reader.metadata返回 PDF 元数据（如标题、作者）。reader.pages是一个页面列表，pages[i]返回第 i 页（从 0 开始）。page.extract_text()提取页面文本（效果依赖 PDF 结构，可能不完整）。
3.2 合并 PDF
使用 PdfMerger 或 PdfWriter 合并多个 PDF 文件。
from pypdf import PdfMerger
# 创建合并器
merger = PdfMerger()
# 添加 PDF 文件
merger.append("file1.pdf")
merger.append("file2.pdf")
# 保存合并结果
merger.write("merged.pdf")
merger.close()
替代方法（使用 PdfWriter）：
from pypdf import PdfReader, PdfWriter
writer = PdfWriter()
for pdf in ["file1.pdf", "file2.pdf"]:
reader = PdfReader(pdf)
for page in reader.pages:
writer.add_page(page)
with open("merged.pdf", "wb") as f:
writer.write(f)
说明：
PdfMerger更适合简单合并任务。PdfWriter提供更灵活的控制。
3.3 拆分 PDF
将 PDF 拆分为单个页面或指定范围。
from pypdf import PdfReader, PdfWriter
reader = PdfReader("example.pdf")
# 拆分每一页为单独 PDF
for i, page in enumerate(reader.pages):
writer = PdfWriter()
writer.add_page(page)
with open(f"page_{i+1}.pdf", "wb") as f:
writer.write(f)
说明：
- 每个页面保存为单独文件。
- 可通过索引选择特定页面范围。
3.4 旋转页面
旋转 PDF 的页面。
from pypdf import PdfReader, PdfWriter
reader = PdfReader("example.pdf")
writer = PdfWriter()
# 旋转第一页 90 度
page = reader.pages[0]
page.rotate(90)
writer.add_page(page)
# 保存结果
with open("rotated.pdf", "wb") as f:
writer.write(f)
说明：
page.rotate(angle)接受角度（顺时针，90 的倍数）。- 旋转后的页面添加到新 PDF。
3.5 加密/解密 PDF
为 PDF 设置密码或解锁受保护的 PDF。
from pypdf import PdfReader, PdfWriter
# 加密 PDF
reader = PdfReader("example.pdf")
writer = PdfWriter()
for page in reader.pages:
writer.add_page(page)
writer.encrypt(user_password="my_password", algorithm="AES-256")
with open("encrypted.pdf", "wb") as f:
writer.write(f)
# 解密 PDF
reader = PdfReader("encrypted.pdf")
if reader.is_encrypted:
reader.decrypt("my_password")
print(reader.pages[0].extract_text())
说明：
encrypt支持RC4-128和AES-256算法。decrypt需提供正确密码。
3.6 提取图像
从 PDF 中提取图像（需安装 Pillow）。
from pypdf import PdfReader
reader = PdfReader("example.pdf")
page = reader.pages[0]
for img in page.images:
with open(f"image_{img.name}", "wb") as f:
f.write(img.data)
说明：
page.images返回页面中的图像对象。img.data是图像的二进制数据。
4. 性能与特点
- 高效性：纯 Python 实现，启动快，无需外部工具。
- 内存效率：逐页处理，适合大型 PDF。
- 灵活性：支持页面级操作和元数据修改。
- 局限性：
- 文本提取效果依赖 PDF 结构，复杂格式（如扫描文档）可能失败。
- 不支持直接编辑 PDF 内容（如修改文本），需结合其他库（如
reportlab）。
5. 实际应用场景
- 文档处理：合并报告、拆分章节、提取元数据。
- 自动化工作流：批量处理 PDF（如添加水印、加密）。
- 数据提取：从 PDF 提取文本或图像用于分析。
- 电子书管理：调整页面顺序或裁剪边距。
- 安全管理：为敏感文档设置密码。
示例（提取所有页面文本）：
from pypdf import PdfReader
reader = PdfReader("example.pdf")
text = ""
for page in reader.pages:
text += page.extract_text() or ""
print(text[:200]) # 输出前 200 字符
6. 注意事项
- 文本提取：
- 扫描或图像型 PDF 需先用 OCR 工具（如
pytesseract）处理。 - 复杂布局可能导致文本顺序错误。
- 扫描或图像型 PDF 需先用 OCR 工具（如
- 加密限制：
- 某些高强度加密可能需要
pycryptodome。 - 解密需正确密码，否则抛出异常。
- 某些高强度加密可能需要
- 文件路径：
- 确保文件路径正确，建议使用
pathlib或绝对路径。
- 确保文件路径正确，建议使用
- 版本兼容性：
pypdf（≥3.0.0）与PyPDF2不完全兼容，旧代码需调整。- 最新版本（5.0.1，截至 2025）优化了性能和 API。
- 错误处理：
- 处理
FileNotFoundError（文件不存在）。 - 处理
PdfReadError（文件损坏或加密）。
- 处理
7. 综合示例
以下是一个综合示例，展示读取、合并、加密和提取文本：
from pypdf import PdfReader, PdfWriter, PdfMerger
# 读取 PDF 元数据和文本
reader = PdfReader("input.pdf")
print("Metadata:", reader.metadata)
print("Page count:", len(reader.pages))
print("First page text:", reader.pages[0].extract_text()[:100])
# 合并多个 PDF
merger = PdfMerger()
merger.append("input1.pdf")
merger.append("input2.pdf")
merger.write("merged.pdf")
merger.close()
# 加密合并后的 PDF
reader = PdfReader("merged.pdf")
writer = PdfWriter()
for page in reader.pages:
writer.add_page(page.rotate(90)) # 旋转页面
writer.encrypt(user_password="secret", algorithm="AES-256")
with open("encrypted_rotated.pdf", "wb") as f:
writer.write(f)
说明：
- 读取元数据和文本。
- 合并两个 PDF。
- 旋转页面并加密输出。
8. 资源与文档
- 官方文档：https://pypdf.readthedocs.io/
- GitHub 仓库：https://github.com/py-pdf/pypdf
- PyPI 页面：https://pypi.org/project/pypdf/
- 教程：https://pypdf.readthedocs.io/en/stable/user/introduction.html
- 迁移指南（从 PyPDF2）：https://pypdf.readthedocs.io/en/stable/user/migration.html
到此这篇关于Python中pypdf库处理PDF文件的详细说明和常见用法的文章就介绍到这了,更多相关Python pypdf库处理PDF文件内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
相关文章
本文主要介绍了Django多app路由分发，文中通过示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2022-05-05
CNN，即卷积神经网络，主要用于图像识别，分类。由输入层，卷积层，池化层，全连接层(Affline层），Softmax层叠加而成。卷积神经网络中还有一个非常重要的结构:过滤器，它作用于层与层之间(卷积层与池化层），决定了怎样对数据进行卷积和池化2022-12-12
这篇文章主要介绍了Python爬取几千条相亲文案，其实具体的说应该是通过Python写了一个简单的脚本在抓取公开的相亲文案,需要的小伙伴可以参考一下，希望对你有所帮助2021-12-12
这篇文章主要为大家介绍了Django批量覆盖更新实现示例详解,有需要的朋友可以借鉴参考下,希望能够有所帮助,祝大家多多进步,早日升职加薪2023-09-09
这篇文章主要为大家详细介绍了在Python中如何使用多线程实现优化For循环,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下2025-01-01
这篇文章主要介绍了Python绘制饼图、圆环图的实例,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教2024-02-02
这篇文章主要给大家分享的是Python函数参数的进阶用法，Python函数的参数根据函数 在调用时 传参的形式分为关键字参数和位置参数，下面文章小编就来介绍相关资料,需要的朋友可以参考一下2021-10-10
Python接口自动化之cookie、session应用详解
本文主要介绍cookie、session原理及在自动化过程中如何利用cookie、session保持会话状态的应用，有需要的朋友可以参考下，希望可以有所帮助2021-08-08
Python作为一种广泛应用的编程语言,在区块链智能合约开发中扮演着重要角色,通过使用Python框架如Brownie和Web3.py,开发者可以轻松编写和部署智能合约,感兴趣的朋友一起看看吧2024-09-09
这篇文章主要为大家介绍了Python自然语言处理停用词过滤实例详解,有需要的朋友可以借鉴参考下,希望能够有所帮助,祝大家多多进步,早日升职加薪2024-01-01
最新评论