Python从入门到精通day27

Python操作PDF文件

PDF（Portable Document Format，便携式文档格式）作为跨平台、格式固定的标准化文件，在办公和开发中无处不在 —— 合同签署、报告分享、学术论文分发都离不开它。日常工作中，我们常遇到提取 PDF 文本、批量加水印、加密敏感文档等需求，手动操作繁琐且易出错。今天就用 Python 手把手教你搞定这些操作，覆盖「读取编辑」「创建生成」全场景，代码直接复制可用！

一、核心工具准备：3 个必备三方库

Python 操作 PDF 的核心需求分两类：编辑现有 PDF（提取文本、旋转页面、加密、水印）和创建新 PDF，对应 3 个实用三方库，安装简单，国内用户建议用清华源加速：

# 1. PyPDF2（核心）：读取/编辑现有PDF（提取文本、旋转、加密、水印）pip install PyPDF2 -i https://pypi.tuna.tsinghua.edu.cn/simple# 2. reportlab：创建空白PDF，添加文本/图片/字体pip install reportlab -i https://pypi.tuna.tsinghua.edu.cn/simple# 3. pdfminer.six（补充）：优化中文文本提取，支持命令行快速操作pip install pdfminer.six -i https://pypi.tuna.tsinghua.edu.cn/simple

✨ 资源获取：文中用到的测试 PDF、字体文件、水印模板，可通过百度云盘获取：链接：https://pan.baidu.com/s/1rQujl5RQn9R7PadB2Z5g_g，提取码：e7b4

二、实战操作：从 PDF 提取文本（3 种方法）

提取文本是 PDF 操作最高频需求，比如提取合同关键信息、统计文档内容。下面分享 3 种方法，覆盖不同场景：

方法 1：PyPDF2（代码集成首选）

PyPDF2 轻量简洁，可直接整合到批量处理脚本中，但对中文提取支持一般，适合英文 / 简单中文 PDF：

import PyPDF2defextract_text_with_pypdf2(pdf_path):# 打开PDF文件（注意：路径需正确，相对路径需与脚本同目录）withopen(pdf_path, 'rb') as f:# 创建PDF读取对象（最新版本用PdfReader，替代旧版PdfFileReader）        reader = PyPDF2.PdfReader(f)# 遍历所有页面，提取文本        total_text = ""for page_num, page inenumerate(reader.pages, 1):# 提取单页文本，空字符串表示无可用文本（如扫描版PDF）            page_text = page.extract_text() or""            total_text += f"第{page_num}页：\n{page_text}\n"return total_text# 调用函数，提取test.pdf的文本result = extract_text_with_pypdf2("test.pdf")print(result)

⚠️ 易错点：扫描版 PDF（图片转 PDF）无法直接提取文本，需搭配 OCR 工具（如 pytesseract）。

方法 2：pdfminer.six（命令行快速提取）

# 安装后直接执行命令，格式：pdf2text.py + PDF路径pdf2text.py test.pdf# 进阶：提取文本并保存到文件（避免终端输出过长）pdf2text.py test.pdf -o 提取结果.txt

方法 3：pdfplumber（中文提取神器）

如果前两种方法提取中文乱码，试试 pdfplumber（需额外安装pip install pdfplumber），专为中文优化：

import pdfplumberdefextract_chinese_text(pdf_path):with pdfplumber.open(pdf_path) as pdf:        total_text = ""for page_num, page inenumerate(pdf.pages, 1):# 精准提取中文，保留排版结构            page_text = page.extract_text() or""            total_text += f"第{page_num}页：\n{page_text}\n"return total_text# 调用函数print(extract_chinese_text("test.pdf"))

三、进阶操作：旋转页面、加密、批量水印

掌握基础提取后，再来解锁 3 个实用功能，解决办公痛点：

1. 旋转 PDF 页面（修复方向错误）

遇到横屏、倒置的 PDF，批量旋转更高效：

import PyPDF2defrotate_pdf(input_path, output_path):# 读取原始PDF    reader = PyPDF2.PdfReader(input_path)    writer = PyPDF2.PdfWriter()  # 创建写入对象，保存处理后PDF# 自定义旋转规则：偶数页逆时针90度，奇数页顺时针90度for page_num, page inenumerate(reader.pages):if page_num % 2 == 0:            rotated_page = page.rotate(-90)  # 负数=逆时针else:            rotated_page = page.rotate(90)   # 正数=顺时针        writer.add_page(rotated_page)# 保存结果（必须用wb模式，二进制写入）withopen(output_path, 'wb') as f:        writer.write(f)# 调用函数：处理XGBoost.pdf，输出temp.pdfrotate_pdf("XGBoost.pdf", "temp.pdf")print("页面旋转完成！")

✅ 技巧：旋转角度仅支持 90、180、270 度（90 的整数倍），其他角度无效。

2. 加密 PDF（保护敏感文档）

给合同、机密报告加密，设置统一口令，批量处理超方便：

import PyPDF2defencrypt_pdf(input_path, output_path, password):    reader = PyPDF2.PdfReader(input_path)    writer = PyPDF2.PdfWriter()# 复制所有页面到写入对象for page in reader.pages:        writer.add_page(page)# 设置加密口令（支持简单密码，无特殊字符兼容性更好）    writer.encrypt(password)# 保存加密后的PDFwithopen(output_path, 'wb') as f:        writer.write(f)# 调用函数：给XGBoost.pdf加密，口令foobaredencrypt_pdf("XGBoost.pdf", "加密后的PDF.pdf", "foobared")print("PDF加密完成，打开需输入口令：foobared")

⚠️ 注意：PyPDF2 仅支持标准加密，密码丢失无法破解，务必牢记！

3. 批量添加水印（标识文档用途）

给 PDF 加 “机密”“草稿” 水印，避免滥用，支持奇偶页不同水印：

import PyPDF2defadd_watermark(input_pdf, watermark_pdf, output_pdf, odd_watermark=None):# 读取原始PDF和水印PDF    main_reader = PyPDF2.PdfReader(input_pdf)    watermark_reader = PyPDF2.PdfReader(watermark_pdf)    writer = PyPDF2.PdfWriter()# 提取水印页（默认取第一页）    base_watermark = watermark_reader.pages[0]# 若指定奇数页水印，读取第二个水印PDF    odd_wm_page = PyPDF2.PdfReader(odd_watermark).pages[0] if odd_watermark else base_watermark# 遍历原始页面，批量添加水印for page_num, page inenumerate(main_reader.pages, 1):# 复制原始页（避免修改原页面）        current_page = page# 选择水印：奇数页用专属水印，偶数页用基础水印        watermark = odd_wm_page if page_num % 2 == 1else base_watermark# 叠加水印（水印在上，原始页在下，顺序不可颠倒）        current_page.merge_page(watermark)        writer.add_page(current_page)# 保存结果withopen(output_pdf, 'wb') as f:        writer.write(f)# 调用函数：基础用法（所有页同一水印）add_watermark("XGBoost.pdf", "watermark.pdf", "带水印的PDF.pdf")# 进阶用法（奇数页用watermark1.pdf，偶数页用watermark.pdf）# add_watermark("XGBoost.pdf", "watermark.pdf", "奇偶页不同水印.pdf", "watermark1.pdf")print("水印添加完成！")

✨ 技巧：水印 PDF 建议制作成半透明（如 50% 透明度），避免遮挡原始文本，可用 WPS/PS 制作。

四、从零创建 PDF：reportlab 实战

除了编辑现有 PDF，还能从零创建自定义 PDF（如报表、证书），用 reportlab 库轻松实现：

from reportlab.lib.pagesizes import A4from reportlab.pdfbase import pdfmetricsfrom reportlab.pdfbase.ttfonts import TTFontfrom reportlab.pdfgen import canvasdefcreate_custom_pdf(output_path):# 1. 创建画布对象，指定A4尺寸    c = canvas.Canvas(output_path, pagesize=A4)    width, height = A4  # A4尺寸：595点（宽）× 842点（高）# 2. 插入图片（需确保图片路径正确）    img = canvas.ImageReader("resources/guido.jpg")# drawImage(图片, x坐标, y坐标, 宽度, 高度)，原点在页面左下角    c.drawImage(img, 20, height - 395, 250, 375)# 3. 新建页面（如需多页PDF）    c.showPage()# 4. 注册中文字体（解决中文乱码核心步骤）    pdfmetrics.registerFont(TTFont("青呱石头体", "resources/fonts/青呱石头体.ttf"))    pdfmetrics.registerFont(TTFont("Vera", "resources/fonts/Vera.ttf"))# 5. 添加带样式的文本# 中文文本：橙红色、40号字、水平居中    c.setFont("青呱石头体", 40)    c.setFillColorRGB(0.9, 0.5, 0.3, 1)  # RGB颜色+透明度    c.drawString(width//2 - 120, height//2, "你好，世界！")# 英文文本：绿色、40号字、旋转18度    c.setFont("Vera", 40)    c.setFillColorRGB(0, 1, 0, 0.5)    c.rotate(18)  # 顺时针旋转18度    c.drawString(250, 250, "hello, world!")# 6. 保存PDF（必须调用，否则文件不生成）    c.save()# 调用函数，创建demo.pdfcreate_custom_pdf("resources/demo.pdf")print("PDF创建完成！")

⚠️ 易错点：中文乱码是因为未注册中文字体，需提前准备.ttf格式字体文件，路径不能错。

五、常见问题避坑指南

1. 中文提取乱码：优先用 pdfplumber，其次 pdfminer.six，PyPDF2 适合英文；

2. 水印不显示：检查水印 PDF 路径是否正确，叠加顺序是否为「原始页.merge_page (水印页)」；

3. 代码报错 “无模块”：确认库名拼写（PyPDF2 首字母大写），重新安装库；

4. 扫描版 PDF 提取失败：需搭配 OCR 工具（如pip install pytesseract），结合图片识别提取文本。

总结

Python 操作 PDF 的核心优势在于「批量处理」和「自动化」—— 一次写代码，终身免手动。今天分享的提取文本、旋转页面、加密、水印、创建 PDF，覆盖了 90% 的办公场景，代码直接复制可用。如果需要更复杂的功能（如合并多个 PDF、拆分 PDF、提取表格），可以在评论区告诉我，后续出进阶教程！赶紧动手试试，让 Python 帮你解放双手～