python處理pdf文件

① python怎樣讀取pdf文件的內容

1，引言
晚上翻看《Python網路數據採集》這本書，看到讀取PDF內容的代碼，想起來前幾天集搜客剛剛發布了一個抓取網頁pdf內容的抓取規則，這個規則能夠把pdf內容當成html來做網頁抓取。神奇之處要歸功於Firefox解析PDF的能力，能夠把pdf格式轉換成html標簽，比如，div之類的標簽，從而用GooSeeker網頁抓取軟體像抓普通網頁一樣抓取結構化內容。
從而產生了一個問題：用Python爬蟲的話，能做到什麼程度。下面將講述一個實驗過程和源代碼。
2，把pdf轉換成文本的Python源代碼
下面的python源代碼，讀取pdf文件內容(互聯網上的或是本地的)，轉換成文本，列印出來。這段代碼主要用了一個第三方庫PDFMiner3K把PDF讀成字元串，然後用StringIO轉換成文件對象。（源代碼下載地址參看文章末尾的GitHub源）
復制代碼
from urllib.request import urlopen
from pdfminer.pdfinterp import PDFResourceManager, process_pdf
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from io import StringIO
from io import open
def readPDF(pdfFile):
rsrcmgr = PDFResourceManager()
retstr = StringIO()
laparams = LAParams()
device = TextConverter(rsrcmgr, retstr, laparams=laparams)
process_pdf(rsrcmgr, device, pdfFile)
device.close()
content = retstr.getvalue()
retstr.close()
return content
pdfFile = urlopen("http://pythonscraping.com/pages/warandpeace/chapter1.pdf")
outputString = readPDF(pdfFile)
print(outputString)
pdfFile.close()
復制代碼
如果PDF文件在你的電腦里，那就把urlopen返回的對象pdfFile替換成普通的open()文件對象。
3，展望
這個實驗只是把pdf轉換成了文本，但是沒有像開頭所說的轉換成html標簽，那麼在Python編程環境下是否有這個能力，留待今後探索。
4，集搜客GooSeeker開源代碼下載源
1. GooSeeker開源Python網路爬蟲GitHub源
5，文檔修改歷史
2016-05-26：V2.0，增補文字說明
2016-05-29：V2.1，增加第六章：源代碼下載源，並更換github源的網址

② 怎樣利用python將pdf轉換成jpg格式

可以用第三方庫wand實現（我的環境：win10、python3)

需要安裝wand 、imagemagick和ghostscript

wand的安裝很簡單：直接cmd 運行pip install wand

然後安裝imagemagick ，從這里下載網頁鏈接，注意是32位還是64位，這個需要和python的位數一致。

安裝過程注意勾選Install development headers and libraries for C and C++ 。安裝後設置MAGICK_HOME環境變數，值為imagemagick的安裝路徑，並將安裝路徑加入path。

詳情可參照此頁面網頁鏈接。

最後安裝ghostscript，這里下載網頁鏈接，選擇AGPL release，注意32位還是64位。

安裝過程很簡單，一路點擊next，如果不想安裝在c盤，可以改變安裝路徑，這個沒有影響。

最後上代碼（很簡單）：

#-*-coding:utf-8-*-

fromwand.imageimportImage

withImage(filename="pdf_file_name",resolution=300)asimg:
img.format='jpeg'
img.save(filename='converted.jpg')

上面的pdf_file_name輸入要處理的pdf文件名，最後會在當前目錄下生成converted.jpg

說明：這幾行代碼比較簡單，處理頁數較少的pdf還行，頁數太多會卡住。但是可以用pyPDF2分割pdf然後轉換，這是一種思路，關於pyPDF2的教程自行網路吧。

③ python怎麼合並pdf

<
用下面的方法可以把多個pdf合並成一個PDF文件。
方法一:
1、運行Aaobe acrobat ，然後點擊「創建」—「合並文件到單個PDF」，或者點擊「 創建」右側的「合並」—「合並文件到單個PDF」。
2、彈出「合並文件」的界面，點擊「添加文件」—選擇「添加文件」/「添加文件夾」/「重新使用文件」來進行添加要合並的PDF文件。
3、彈出「添加文件」的界面，選擇好要合並的PDF文件後，點擊「添加文件」，完成要合並pdf文件的添加。
4、看到文件已添加完成，如果要調整合並文件的順序，可以選中該文件然後用左下角的「向上」、「向下」按鍵來進行順序的調整，調整完畢後點擊右下角的「合並文件」按鍵。如果只想合並已添加單個pdf文件中的某幾個頁面可以通過「選擇頁面」選取想要添加的頁面。
5、合並完成以後，會直接打開合並好的文件，名字一般為「組合1」，並自動彈出「另存為」窗口，根據需要變更文件點擊保存即可把合並好的文件保存下來。
方法二：
運行PDF Binder，彈出PDF合並器功能界面，點擊「添加文件」，添加要合並的PDF文件。
在打開界面選擇好要合並的PDF文件後，點擊「打開」，完成要合並pdf文件的添加。
下圖可以看到文件已添加完成，如果要調整合並文件的順序，可以選中該文件然後用功能區的「向上」、「向下」按鍵來進行順序的調整，調整完畢後點擊「合並！」按鍵。
在彈出的「另存為」界面輸入文件名，點擊保存完成文件合並，打開文檔可以看到文檔已合並成功。
方法三，其他如Ap PDF Split-Merge等軟體合並文件。

④ 如何把pdf文件轉換成word文件 Python文件處理之文件指針

對於不允許做修改的PDF文件——就是加密加了許可權的PDF，首先要去除密碼或者去除數字證書，推薦用PDF Password Remove，然後再按照下面的方法進行轉換為word文件：
方法一：用軟體PDF To Word Converter，使用之後然後有兩種結果
1、轉化出來的就是想要的word，這種情況最理想了；
2、轉化出來的word上都是圖片，需要上網找「ABBYY finereader v9」一類的文字識別軟體。ABBYY finereader v9是我見過的最強大的PDF（圖片格式或者是掃描件）轉word的軟體。它是一款OCR軟體，界面比較簡潔明，9.0和以上版本有簡體中文版的，支持100語言的識別，特別是混合多種語言識別效果也非常好：安裝完畢之後，首先把圖片上的文字識別出來，然後再對照圖片把識別錯誤的地方改過來，這樣就實現了，從JPEG文件到word的格式轉換。
方法二：在線PDF轉Word共有以下幾個步驟:
• 點擊瀏覽按鈕選擇需要轉換的PDF文件。
• 輸入需要轉換的頁碼，以逗號分割開，如果轉換所有的頁面可以跳過這一步。
• 點擊按鈕上傳文件，然後等著就可以了。
• 點擊下載鏈接把做好的文件下載到本地就可以了；
方法三：用其他軟體Wondershare PDFelement等處理。

⑤ Python可以用來自動化辦公 實現批量Word轉pdf嗎

這里需要導入幾個模塊
from win32com.client import Dispatch # 沒有的話輸入pip install pywin32命令 即可安裝
from os import walk
import os

os是用於文件處理常用的模塊，至於Dispatch，它是提供了一個介面， win32提供了多種word轉換為其他文件的介面，其中FileFormat=17是轉換為pdf格式.
之後轉換文件邏輯也很簡單，首先需要提取出文件名，word文件的後綴是doc或docx，那麼將後綴名替換為pdf即可轉換，這里用到replace方法，即replace(『docx』,『pdf』).replace(『doc』,『pdf』)因為有可能後綴是doc，所以需要2次判斷。
值得注意的是，轉換的文件夾事先要存在，否則會報錯誤。
下面是項目的源代碼
復制代碼
from win32com.client import Dispatch # pip install pywin32
from os import walk
import os
wdFormatPDF = 17 # win32提供了多種word轉換為其他文件的介面，其中FileFormat=17是轉換為pdf
def doc2pdf(input_file, input_file_name, output_dir):
try:
word = Dispatch('Word.Application')
doc = word.Documents.Open(input_file)
except Exception as e:
print("word無法打開, 發生如下錯誤:\n{}".format(e))
try:
pdf_file_name = input_file_name.replace(".docx", ".pdf").replace(".doc", ".pdf")
pdf_file = os.path.join(output_dir, pdf_file_name)
doc.SaveAs(pdf_file, FileFormat=wdFormatPDF)
doc.Close()
word.Quit()
print("成功轉換\"{}\"".format(input_file_name))
print()
except Exception as e:
print("文件保存失敗, 發生如下錯誤:\n{}".format(e))
if __name__ == "__main__":
path_in=input("請輸入word文件夾的路徑（絕對路徑） 要保證存在 建議復制粘貼")
path_out=input("請輸入pdf文件夾的路徑（絕對路徑） 要保證存在 建議復制粘貼")
doc_files = []
directory = path_in# word文件夾
output_dir =path_out # pdf文件夾
for root, _, filenames in walk(directory): # 第2個返回值是dirs， 用不上使用_佔位
for file in filenames:
if file.endswith(".doc") or file.endswith(".docx"):
print("轉換{}中......".format(file))
doc2pdf(os.path.join(root, file), file, output_dir)
復制代碼

⑥ python 遍歷文件夾PDF並轉換成圖片

這種圖片的也可以轉換成圖片的形式，一般文件夾要進行一個轉化才可以變成圖片。

⑦ python將pdf轉圖片

方法1：打開pdf文件，選擇菜單命令「文件」 → 「另存為」 ，彈出另存為對話框，選擇保存類型為「jpg」，保存即可；
方法2：打開pdf文檔，選擇命令 「另存為其它」 → 「圖像」 → 「JPEG或JPEG2000」；
方法3：打開pdf文檔，選擇「編輯」菜單下的「拍快照」（註：選中後，在拍快照前面會有個√顯示），同時滑鼠變成十字游標，此時拖動滑鼠框選你要變換的區域，松開滑鼠，彈出確認對話框，點擊確認，此時框選的部分已經保存到剪貼板，然後打開系統自帶的畫圖工具，粘貼後保存為jpg文檔。方法不適合圖片過多的情況，不建議使用！
方法4：試試在線PDF轉圖片共有以下幾個步驟:
• 點擊瀏覽按鈕選擇需要轉換的PDF文件。
輸入需要轉換的頁碼，以逗號分割開，如果轉換所有的頁面可以跳過這一步。
• 點擊按鈕上傳文件，然後等著就可以了。
• 點擊下載鏈接把做好的文件下載到本地就可以了。僅適合低於2MB的文件轉換！
方法5：藉助pdf轉換器。選中pdf轉圖片功能，然後右下角選擇「上傳文件或文件夾」，即可一鍵開始轉換，此外還支持轉word、excel、ppt等格式。

⑧ python怎麼轉成pdf

方法一：使用虛擬列印機pdf factory即可，而且其他格式文件只要是能夠列印，選擇這個虛擬列印機，都可以做成PDF文件，很簡單實用；
方法二：用其他虛擬列印機轉成PDF文件。
方法三：使用專門的轉換軟體，把文件轉成PDF文件。

⑨ python將pdf轉成excel

方法一：ABBYY finereader v9是我見過的最強大的PDF（圖片格式或者是掃描件）轉excel的軟體。它是一款OCR軟體，界面比較簡潔明，9.0和以上版本有簡體中文版的，支持100語言的識別，特別是混合多種語言識別效果也非常好。
國內的OCR軟體僅僅是對中文的識別比較好而已。而且，這款軟體只要你設置好識別文件所用的語言然後打開PDF文件（支持直接打開的）然後其他的工作就交給軟體了，識別完後 文件------另存為excel格式就可以了。而且版面的保持能力是我見過的OCR軟體裡面最好的一個，識別率也是最高的一個，就是轉換識別的速度比較慢。只要PDF文件比較清晰，准確率基本可以達到95%以上（除了數學公式、計算式、化學式、分子式、三角函數等專業的內容之外），強力推薦大家使用。
方法二：在線PDF轉Excel共有以下幾個步驟:
• 點擊瀏覽按鈕選擇需要轉換的PDF文件。
• 點擊按鈕上傳文件，然後等著就可以了。
• 點擊下載鏈接把做好的文件下載到本地就可以了。
方法三：用其他軟體Wondershare PDFelement等處理。