Python PDF 教程：从入门到精通

在 Python 生态中，处理 PDF 文件通常不是一项单一的任务，因为 PDF 本身是一种复杂的格式,我们通常需要不同的库来处理不同的需求，

• 从 PDF 提取文本
• 从 PDF 提取图片
• 合并或拆分 PDF
• 创建新的 PDF
• 填写 PDF 表单
• 加密或解密 PDF

下面，我将介绍几个最核心、最常用的 Python PDF 库,并提供详细的教程和代码。

第一步：安装（下载）核心库

在开始之前，您需要通过 pip 安装这些库，打开您的终端或命令提示符,运行以下命令：

# 1. 用于提取文本和元数据 (推荐)
pip install PyPDF2
# 2. 用于提取文本 (功能更强大，基于 C++)
pip install pdfplumber
# 3. 用于提取图片
pip install pdf2image
# 4. 用于创建、修改、合并、拆分 PDF (功能最全面)
pip install PyMuPDF  # 注意：这个库的包名是 fitz，但通过 pip 安装时用 PyMuPDF
pip install pymupdf  # 另一种安装方式，推荐
# 5. 用于处理 PDF 表单
pip install pdfrw

使用 PyPDF2 读取和操作 PDF

PyPDF2 是一个纯 Python 库，非常适合用于基本的 PDF 操作，如合并、拆分、旋转和提取元数据。

提取文本和元数据

import PyPDF2
# 打开 PDF 文件
with open('example.pdf', 'rb') as file:
    # 创建一个 PdfReader 对象
    reader = PyPDF2.PdfReader(file)
    # --- 获取元数据 ---
    if reader.metadata:
        print("--- PDF 元数据 ---")
        print(f"标题: {reader.metadata.get('/Title', 'N/A')}")
        print(f"作者: {reader.metadata.get('/Author', 'N/A')}")
        print(f"创建者: {reader.metadata.get('/Creator', 'N/A')}")
        print(f"创建日期: {reader.metadata.get('/CreationDate', 'N/A')}")
        print("-" * 20)
    # --- 获取页面总数 ---
    num_pages = len(reader.pages)
    print(f"总页数: {num_pages}")
    print("-" * 20)
    # --- 提取特定页面的文本 ---
    # 注意：PyPDF2 在提取格式化文本方面能力有限
    page = reader.pages[0]  # 获取第一页
    text = page.extract_text()
    print("--- 第一页文本 ---")
    print(text)
    print("-" * 20)

合并 PDF 文件

import PyPDF2
def merge_pdfs(pdf_list, output_filename):
    """合并多个PDF文件"""
    merger = PyPDF2.PdfMerger()
    for pdf in pdf_list:
        merger.append(pdf)
    merger.write(output_filename)
    merger.close()
    print(f"PDF已成功合并为 {output_filename}")
# 示例用法
pdfs_to_merge = ['file1.pdf', 'file2.pdf']
merge_pdfs(pdfs_to_merge, 'merged_document.pdf')

拆分 PDF 文件

import PyPDF2
def split_pdf(input_pdf, output_prefix):
    """拆分PDF的每一页为单独的文件"""
    with open(input_pdf, 'rb') as file:
        reader = PyPDF2.PdfReader(file)
        for page_num in range(len(reader.pages)):
            writer = PyPDF2.PdfWriter()
            writer.add_page(reader.pages[page_num])
            output_filename = f"{output_prefix}_page_{page_num + 1}.pdf"
            with open(output_filename, 'wb') as output_file:
                writer.write(output_file)
            print(f"已创建: {output_filename}")
# 示例用法
split_pdf('example.pdf', 'split_page')

使用 pdfplumber 提取更精确的文本

pdfplumber 在 PyPDF2 的基础上进行了封装，特别擅长提取带有复杂布局的文本,并且可以获取每行文本的位置信息。

import pdfplumber
with pdfplumber.open('example.pdf') as pdf:
    # 遍历每一页
    for i, page in enumerate(pdf.pages):
        print(f"--- 第 {i+1} 页 ---")
        # extract_text() 方法通常比 PyPDF2 更准确
        text = page.extract_text()
        print(text)
        # extract_words() 可以获取每个单词及其位置信息
        words = page.extract_words()
        print("\n--- 单词及其位置 ---")
        for word in words[:5]: # 只打印前5个单词作为示例
            print(word)
        # extract_tables() 可以提取表格
        tables = page.extract_tables()
        if tables:
            print("\n--- 提取到的表格 ---")
            for table in tables:
                for row in table:
                    print(row)

使用 PyMuPDF (fitz) 进行高级操作

PyMuPDF (也称为 fitz) 是一个功能极其强大的库，速度飞快，不仅能处理文本和图片，还能渲染 PDF 页面为图像，是处理 PDF 的“瑞士军刀”。

提取文本和图片

import fitz  # PyMuPDF
doc = fitz.open('example.pdf')
# --- 提取所有文本 ---
print("--- 全文文本 ---")
text = ""
for page in doc:
    text += page.get_text()
print(text)
print("-" * 20)
# --- 提取图片 ---
print("--- 提取图片 ---")
image_count = 0
for page_index in range(len(doc)):
    page = doc[page_index]
    image_list = page.get_images()
    if image_list:
        print(f"在第 {page_index + 1} 页找到 {len(image_list)} 张图片")
        for image_index, img in enumerate(image_list):
            xref = img[0]
            base_image = doc.extract_image(xref)
            image_bytes = base_image["image"]
            # 保存图片
            image_filename = f"image_page{page_index+1}_{image_index+1}.png"
            with open(image_filename, "wb") as f:
                f.write(image_bytes)
            print(f"已保存图片: {image_filename}")
            image_count += 1
doc.close()
print(f"总共提取了 {image_count} 张图片。")

将 PDF 页面转换为图片

import fitz
import io
from PIL import Image
doc = fitz.open('example.pdf')
page = doc.load_page(0)  # 加载第一页
# 将页面渲染为图像 (pix 是一个像素对象)
pix = page.get_pixmap(dpi=300) # dpi 可以调整图片质量
# 将像素数据保存为图片文件
pix.save("page_as_image.png")
doc.close()
print("PDF页面已成功转换为图片 page_as_image.png")

处理 PDF 表单 (使用 pdfrw)

pdfrw 可以用来读取和写入 PDF 表单数据。

读取表单数据

from pdfrw import PdfReader
# 读取 PDF
pdf = PdfReader('form.pdf')
# 获取表单字段
if pdf.Root.AcroForm:
    fields = pdf.Root.AcroForm.fields
    print("--- 表单字段 ---")
    for field in fields:
        # 字段名称和值
        field_name = field.T
        field_value = field.V if hasattr(field, 'V') else 'N/A'
        print(f"字段: {field_name}, 值: {field_value}")
else:
    print("该PDF没有可交互的表单。")

填写表单并保存为新文件

from pdfrw import PdfReader, PdfWriter, IndirectPdfDict
# 读取模板 PDF
template_pdf = PdfReader('form.pdf')
output_pdf = PdfWriter()
# 假设我们要填写的字段名为 'name' 和 'email'
data_dict = {
    'name': '张三',
    'email': 'zhangsan@example.com'
}
# 遍历页面并更新表单字段
for page in template_pdf.pages:
    if page.Parent.AcroForm:
        # 更新字段值
        for field in page.Parent.AcroForm.fields:
            if field.T in data_dict:
                field.V = IndirectPdfDict(data_dict[field.T])
    output_pdf.addpage(page)
# 写入新的 PDF 文件
output_pdf.write('filled_form.pdf')
print("表单已填写并保存为 filled_form.pdf")

总结与推荐

如何选择？

• 如果你只是想快速合并或拆分 PDF：使用 PyPDF2。
• 如果你需要从 PDF 中精确地提取文本，特别是表格：使用 pdfplumber。
• 如果你需要做任何复杂的事情，比如提取图片、渲染页面、修改 PDF 内容或需要最高性能：强烈推荐使用 PyMuPDF。
• 如果你的任务只是填写 PDF 表单：使用 pdfrw。

希望这份详细的教程能帮助您开始在 Python 中处理 PDF 文件！