python处理pdf文件

① python怎样读取pdf文件的内容

1，引言
晚上翻看《Python网络数据采集》这本书，看到读取PDF内容的代码，想起来前几天集搜客刚刚发布了一个抓取网页pdf内容的抓取规则，这个规则能够把pdf内容当成html来做网页抓取。神奇之处要归功于Firefox解析PDF的能力，能够把pdf格式转换成html标签，比如，div之类的标签，从而用GooSeeker网页抓取软件像抓普通网页一样抓取结构化内容。
从而产生了一个问题：用Python爬虫的话，能做到什么程度。下面将讲述一个实验过程和源代码。
2，把pdf转换成文本的Python源代码
下面的python源代码，读取pdf文件内容(互联网上的或是本地的)，转换成文本，打印出来。这段代码主要用了一个第三方库PDFMiner3K把PDF读成字符串，然后用StringIO转换成文件对象。（源代码下载地址参看文章末尾的GitHub源）
复制代码
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()
复制代码
如果PDF文件在你的电脑里，那就把urlopen返回的对象pdfFile替换成普通的open()文件对象。
3，展望
这个实验只是把pdf转换成了文本，但是没有像开头所说的转换成html标签，那么在Python编程环境下是否有这个能力，留待今后探索。
4，集搜客GooSeeker开源代码下载源
1. GooSeeker开源Python网络爬虫GitHub源
5，文档修改历史
2016-05-26：V2.0，增补文字说明
2016-05-29：V2.1，增加第六章：源代码下载源，并更换github源的网址

② 怎样利用python将pdf转换成jpg格式

可以用第三方库wand实现（我的环境：win10、python3)

需要安装wand 、imagemagick和ghostscript

wand的安装很简单：直接cmd 运行pip install wand

然后安装imagemagick ，从这里下载网页链接，注意是32位还是64位，这个需要和python的位数一致。

安装过程注意勾选Install development headers and libraries for C and C++ 。安装后设置MAGICK_HOME环境变量，值为imagemagick的安装路径，并将安装路径加入path。

详情可参照此页面网页链接。

最后安装ghostscript，这里下载网页链接，选择AGPL release，注意32位还是64位。

安装过程很简单，一路点击next，如果不想安装在c盘，可以改变安装路径，这个没有影响。

最后上代码（很简单）：

#-*-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输入要处理的pdf文件名，最后会在当前目录下生成converted.jpg

说明：这几行代码比较简单，处理页数较少的pdf还行，页数太多会卡住。但是可以用pyPDF2分割pdf然后转换，这是一种思路，关于pyPDF2的教程自行网络吧。

③ python怎么合并pdf

<
用下面的方法可以把多个pdf合并成一个PDF文件。
方法一:
1、运行Aaobe acrobat ，然后点击“创建”—“合并文件到单个PDF”，或者点击“ 创建”右侧的“合并”—“合并文件到单个PDF”。
2、弹出“合并文件”的界面，点击“添加文件”—选择“添加文件”/“添加文件夹”/“重新使用文件”来进行添加要合并的PDF文件。
3、弹出“添加文件”的界面，选择好要合并的PDF文件后，点击“添加文件”，完成要合并pdf文件的添加。
4、看到文件已添加完成，如果要调整合并文件的顺序，可以选中该文件然后用左下角的“向上”、“向下”按键来进行顺序的调整，调整完毕后点击右下角的“合并文件”按键。如果只想合并已添加单个pdf文件中的某几个页面可以通过“选择页面”选取想要添加的页面。
5、合并完成以后，会直接打开合并好的文件，名字一般为“组合1”，并自动弹出“另存为”窗口，根据需要变更文件点击保存即可把合并好的文件保存下来。
方法二：
运行PDF Binder，弹出PDF合并器功能界面，点击“添加文件”，添加要合并的PDF文件。
在打开界面选择好要合并的PDF文件后，点击“打开”，完成要合并pdf文件的添加。
下图可以看到文件已添加完成，如果要调整合并文件的顺序，可以选中该文件然后用功能区的“向上”、“向下”按键来进行顺序的调整，调整完毕后点击“合并！”按键。
在弹出的“另存为”界面输入文件名，点击保存完成文件合并，打开文档可以看到文档已合并成功。
方法三，其他如Ap PDF Split-Merge等软件合并文件。

④ 如何把pdf文件转换成word文件 Python文件处理之文件指针

对于不允许做修改的PDF文件——就是加密加了权限的PDF，首先要去除密码或者去除数字证书，推荐用PDF Password Remove，然后再按照下面的方法进行转换为word文件：
方法一：用软件PDF To Word Converter，使用之后然后有两种结果
1、转化出来的就是想要的word，这种情况最理想了；
2、转化出来的word上都是图片，需要上网找“ABBYY finereader v9”一类的文字识别软件。ABBYY finereader v9是我见过的最强大的PDF（图片格式或者是扫描件）转word的软件。它是一款OCR软件，界面比较简洁明，9.0和以上版本有简体中文版的，支持100语言的识别，特别是混合多种语言识别效果也非常好：安装完毕之后，首先把图片上的文字识别出来，然后再对照图片把识别错误的地方改过来，这样就实现了，从JPEG文件到word的格式转换。
方法二：在线PDF转Word共有以下几个步骤:
• 点击浏览按钮选择需要转换的PDF文件。
• 输入需要转换的页码，以逗号分割开，如果转换所有的页面可以跳过这一步。
• 点击按钮上传文件，然后等着就可以了。
• 点击下载链接把做好的文件下载到本地就可以了；
方法三：用其他软件Wondershare PDFelement等处理。

⑤ Python可以用来自动化办公 实现批量Word转pdf吗

这里需要导入几个模块
from win32com.client import Dispatch # 没有的话输入pip install pywin32命令 即可安装
from os import walk
import os

os是用于文件处理常用的模块，至于Dispatch，它是提供了一个接口， win32提供了多种word转换为其他文件的接口，其中FileFormat=17是转换为pdf格式.
之后转换文件逻辑也很简单，首先需要提取出文件名，word文件的后缀是doc或docx，那么将后缀名替换为pdf即可转换，这里用到replace方法，即replace(‘docx’,‘pdf’).replace(‘doc’,‘pdf’)因为有可能后缀是doc，所以需要2次判断。
值得注意的是，转换的文件夹事先要存在，否则会报错误。
下面是项目的源代码
复制代码
from win32com.client import Dispatch # pip install pywin32
from os import walk
import os
wdFormatPDF = 17 # win32提供了多种word转换为其他文件的接口，其中FileFormat=17是转换为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无法打开, 发生如下错误:\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("成功转换\"{}\"".format(input_file_name))
print()
except Exception as e:
print("文件保存失败, 发生如下错误:\n{}".format(e))
if __name__ == "__main__":
path_in=input("请输入word文件夹的路径（绝对路径） 要保证存在 建议复制粘贴")
path_out=input("请输入pdf文件夹的路径（绝对路径） 要保证存在 建议复制粘贴")
doc_files = []
directory = path_in# word文件夹
output_dir =path_out # pdf文件夹
for root, _, filenames in walk(directory): # 第2个返回值是dirs， 用不上使用_占位
for file in filenames:
if file.endswith(".doc") or file.endswith(".docx"):
print("转换{}中......".format(file))
doc2pdf(os.path.join(root, file), file, output_dir)
复制代码

⑥ python 遍历文件夹PDF并转换成图片

这种图片的也可以转换成图片的形式，一般文件夹要进行一个转化才可以变成图片。

⑦ python将pdf转图片

方法1：打开pdf文件，选择菜单命令“文件” → “另存为” ，弹出另存为对话框，选择保存类型为“jpg”，保存即可；
方法2：打开pdf文档，选择命令 “另存为其它” → “图像” → “JPEG或JPEG2000”；
方法3：打开pdf文档，选择“编辑”菜单下的“拍快照”（注：选中后，在拍快照前面会有个√显示），同时鼠标变成十字光标，此时拖动鼠标框选你要变换的区域，松开鼠标，弹出确认对话框，点击确认，此时框选的部分已经保存到剪贴板，然后打开系统自带的画图工具，粘贴后保存为jpg文档。方法不适合图片过多的情况，不建议使用！
方法4：试试在线PDF转图片共有以下几个步骤:
• 点击浏览按钮选择需要转换的PDF文件。
输入需要转换的页码，以逗号分割开，如果转换所有的页面可以跳过这一步。
• 点击按钮上传文件，然后等着就可以了。
• 点击下载链接把做好的文件下载到本地就可以了。仅适合低于2MB的文件转换！
方法5：借助pdf转换器。选中pdf转图片功能，然后右下角选择“上传文件或文件夹”，即可一键开始转换，此外还支持转word、excel、ppt等格式。

⑧ python怎么转成pdf

方法一：使用虚拟打印机pdf factory即可，而且其他格式文件只要是能够打印，选择这个虚拟打印机，都可以做成PDF文件，很简单实用；
方法二：用其他虚拟打印机转成PDF文件。
方法三：使用专门的转换软件，把文件转成PDF文件。

⑨ python将pdf转成excel

方法一：ABBYY finereader v9是我见过的最强大的PDF（图片格式或者是扫描件）转excel的软件。它是一款OCR软件，界面比较简洁明，9.0和以上版本有简体中文版的，支持100语言的识别，特别是混合多种语言识别效果也非常好。
国内的OCR软件仅仅是对中文的识别比较好而已。而且，这款软件只要你设置好识别文件所用的语言然后打开PDF文件（支持直接打开的）然后其他的工作就交给软件了，识别完后 文件------另存为excel格式就可以了。而且版面的保持能力是我见过的OCR软件里面最好的一个，识别率也是最高的一个，就是转换识别的速度比较慢。只要PDF文件比较清晰，准确率基本可以达到95%以上（除了数学公式、计算式、化学式、分子式、三角函数等专业的内容之外），强力推荐大家使用。
方法二：在线PDF转Excel共有以下几个步骤:
• 点击浏览按钮选择需要转换的PDF文件。
• 点击按钮上传文件，然后等着就可以了。
• 点击下载链接把做好的文件下载到本地就可以了。
方法三：用其他软件Wondershare PDFelement等处理。