怎样用Python处理PDF文件？PyPDF2使用指南-Python教程-PHP中文网

怎样用Python处理PDF文件？PyPDF2使用指南

爱谁谁

发布： 2025-07-02 17:09:02

原创

1049人浏览过

pypdf2能处理pdf的读取、写入、分割、合并及文本提取，但无法处理复杂格式或扫描版pdf。其常见操作包括：1.安装方法为pip install pypdf2；2.读取pdf需用pdfreader并逐页提取文本；3.写入pdf可用pdfwriter创建页面并保存；4.合并pdf通过pdfmerger依次追加文件实现；5.分割pdf是将每页保存为独立文件；6.提取文本使用extract_text()方法；7.pypdf2处理中文乱码建议改用pdfminer.six；8.扫描版pdf需借助ocr工具如tesseract处理；9.其他pdf处理库还包括reportlab和slate，适用于不同场景。

怎样用Python处理PDF文件？PyPDF2使用指南

Python处理PDF文件，用PyPDF2是个不错的选择。它能读取、写入、分割、合并PDF，也能提取文本，但处理复杂格式或扫描版PDF可能就力不从心了。

PyPDF2提供了多种方法来处理PDF文件，下面是一些常见的操作。

如何安装PyPDF2？

安装PyPDF2非常简单，直接用pip命令：

立即学习“Python免费学习笔记（深入）”；

pip install PyPDF2

登录后复制

装好之后，就可以在Python脚本里导入并使用了。

如何读取PDF文件内容？

读取PDF文件是基本操作，下面是示例代码：

import PyPDF2

def read_pdf(file_path):
    with open(file_path, 'rb') as file:
        reader = PyPDF2.PdfReader(file)
        num_pages = len(reader.pages)
        for page_number in range(num_pages):
            page = reader.pages[page_number]
            text = page.extract_text()
            print(f"Page {page_number + 1}:\n{text}\n---")

# 示例用法
read_pdf('example.pdf')

登录后复制

这段代码打开PDF文件，逐页读取内容并打印出来。注意，'rb'模式是以二进制读取，这是PyPDF2的要求。

如何写入PDF文件？

写入PDF实际上是指创建新的PDF或者在现有PDF上添加内容。

import PyPDF2
from PyPDF2 import PdfWriter

def write_pdf(output_path, text):
    writer = PdfWriter()
    # 创建一个包含文本的新页面
    page = PyPDF2.PageObject.create_page(text=text)
    writer.add_page(page)

    with open(output_path, 'wb') as file:
        writer.write(file)

# 示例用法
write_pdf('output.pdf', 'Hello, PyPDF2!')

登录后复制

这段代码创建一个新的PDF文件，并在其中写入 "Hello, PyPDF2!"。

如何合并多个PDF文件？

合并PDF文件也很常见，PyPDF2可以轻松实现：

AppMall应用商店

AI应用商店，提供即时交付、按需付费的人工智能应用服务

查看详情

import PyPDF2
from PyPDF2 import PdfMerger

def merge_pdfs(pdf_paths, output_path):
    merger = PdfMerger()
    for path in pdf_paths:
        with open(path, 'rb') as file:
            merger.append(file)

    with open(output_path, 'wb') as output_file:
        merger.write(output_file)

# 示例用法
pdf_paths = ['file1.pdf', 'file2.pdf', 'file3.pdf']
merge_pdfs(pdf_paths, 'merged.pdf')

登录后复制

这段代码将多个PDF文件合并成一个。注意，需要提供一个PDF文件路径的列表。

如何分割PDF文件？

分割PDF文件就是将一个PDF文件拆分成多个小文件。

import PyPDF2
from PyPDF2 import PdfReader, PdfWriter

def split_pdf(input_path, output_prefix):
    with open(input_path, 'rb') as file:
        reader = PdfReader(file)
        num_pages = len(reader.pages)

        for page_number in range(num_pages):
            writer = PdfWriter()
            page = reader.pages[page_number]
            writer.add_page(page)

            output_path = f"{output_prefix}_page_{page_number + 1}.pdf"
            with open(output_path, 'wb') as output_file:
                writer.write(output_file)

# 示例用法
split_pdf('input.pdf', 'split_output')

登录后复制

这段代码将PDF文件的每一页分割成单独的文件，并以"split_output_page_[页码].pdf"命名。

如何提取PDF中的文本？

前面读取PDF内容时已经用到了extract_text()方法，这里再强调一下：

import PyPDF2

def extract_text_from_pdf(file_path):
    with open(file_path, 'rb') as file:
        reader = PyPDF2.PdfReader(file)
        text = ""
        for page in reader.pages:
            text += page.extract_text()
        return text

# 示例用法
text = extract_text_from_pdf('example.pdf')
print(text)

登录后复制

这个函数返回PDF文件中所有文本的拼接结果。

PyPDF2处理中文乱码问题怎么解决？

PyPDF2在处理包含复杂字体或特殊编码的PDF时，可能会出现乱码。一种解决方法是确保你的系统安装了PDF中使用的字体，并尝试在提取文本后进行编码转换。但更常见和推荐的做法是使用更强大的PDF处理库，比如pdfminer.six，它在处理复杂PDF的文本提取方面表现更好。

PyPDF2对扫描版PDF的处理效果如何？

PyPDF2无法直接处理扫描版PDF，因为它只能提取文本层的信息。扫描版PDF本质上是图像，需要OCR（Optical Character Recognition，光学字符识别）技术将图像转换为文本。可以使用Tesseract OCR等工具，配合Python的PIL（Pillow）库进行处理。先用PIL读取图像，然后用Tesseract识别文本，最后再进行后续处理。