在Python开发场景中，PDF文件的处理是常见需求，比如从PDF中提取文本、合并多个PDF、给PDF添加水印、生成自定义内容的PDF等，都可以通过对应的第三方库快速实现。
常用PDF操作库介绍
Python生态中有多个用于PDF操作的库，不同库的功能侧重不同，开发者可以根据需求选择：
- PyPDF2：用于读取、合并、拆分、旋转PDF页面，提取PDF文本和元数据，是处理已有PDF的常用库。
- reportlab：用于从零生成PDF文件，支持自定义文本、图片、表格、字体等内容的排版。
- pdfplumber：专注于PDF文本和表格的提取，提取精度比PyPDF2更高，适合需要处理复杂排版PDF的场景。
读取PDF文本内容
如果只是需要提取PDF中的文本，使用PyPDF2就可以快速实现，首先需要通过pip安装该库：
pip install PyPDF2
以下是读取PDF所有页面文本的示例代码：
import PyPDF2
# 打开PDF文件，注意使用二进制读取模式
with open("test.pdf", "rb") as f:
# 创建PDF读取器对象
reader = PyPDF2.PdfReader(f)
# 获取PDF总页数
page_num = len(reader.pages)
all_text = ""
# 遍历所有页面提取文本
for i in range(page_num):
page = reader.pages[i]
all_text += page.extract_text()
print(all_text)
合并多个PDF文件
合并PDF也是常见需求，比如把多个单页PDF合并成一个完整的文档，使用PyPDF2的PdfMerger类可以快速实现：
import PyPDF2
# 创建合并器对象
merger = PyPDF2.PdfMerger()
# 需要合并的PDF文件路径列表
pdf_files = ["file1.pdf", "file2.pdf", "file3.pdf"]
# 依次添加所有PDF
for pdf in pdf_files:
merger.append(pdf)
# 输出合并后的PDF
with open("merged.pdf", "wb") as f:
merger.write(f)
merger.close()
生成自定义PDF文件
如果需要生成新的PDF文件，比如生成带标题、正文、图片的报表，可以使用reportlab库，安装命令如下：
pip install reportlab
以下是一个生成简单PDF的示例代码：
from reportlab.pdfgen import canvas
from reportlab.lib.pagesizes import A4
# 创建PDF画布，设置页面大小为A4
c = canvas.Canvas("generated.pdf", pagesize=A4)
# 设置字体和字号
c.setFont("Helvetica", 16)
# 绘制标题，参数依次为x坐标、y坐标、文本内容
c.drawString(100, 800, "这是生成的PDF标题")
# 设置正文字体
c.setFont("Helvetica", 12)
c.drawString(100, 770, "这是PDF的正文内容，可以通过drawString方法添加更多内容")
# 保存PDF文件
c.save()
给PDF添加水印
给PDF添加水印可以先用reportlab生成带水印的PDF，再用PyPDF2把水印合并到原PDF的每一页，示例代码如下：
import PyPDF2
from reportlab.pdfgen import canvas
from reportlab.lib.pagesizes import A4
# 第一步：生成水印PDF
watermark_canvas = canvas.Canvas("watermark.pdf", pagesize=A4)
watermark_canvas.setFont("Helvetica", 30)
watermark_canvas.setFillColorRGB(0.5, 0.5, 0.5, alpha=0.3) # 设置灰色半透明
watermark_canvas.saveState()
watermark_canvas.translate(300, 400) # 移动到页面中心
watermark_canvas.rotate(45) # 旋转45度
watermark_canvas.drawString(0, 0, "内部资料")
watermark_canvas.restoreState()
watermark_canvas.save()
# 第二步：把水印合并到原PDF
with open("original.pdf", "rb") as original_f, open("watermark.pdf", "rb") as watermark_f:
original_reader = PyPDF2.PdfReader(original_f)
watermark_reader = PyPDF2.PdfReader(watermark_f)
watermark_page = watermark_reader.pages[0]
writer = PyPDF2.PdfWriter()
# 遍历原PDF所有页面，合并水印
for page in original_reader.pages:
page.merge_page(watermark_page)
writer.add_page(page)
with open("watermarked.pdf", "wb") as out_f:
writer.write(out_f)
注意事项
- 操作PDF文件时，读取和写入都需要使用二进制模式，即
rb和wb模式，否则会出现文件损坏问题。 - 部分加密的PDF需要先解密才能操作，PyPDF2的
reader.decrypt("密码")方法可以实现解密。 - 如果PDF是扫描件，提取文本前需要先做OCR识别，单纯用PDF库无法提取扫描件中的文字内容。