PyPDF

概念

pypdf 主要用于读取、合并、加密等操作，不能直接修改文字内容。如需高级编辑，考虑使用 reportlab 生成新 PDF，或商业库如 PyMuPDF（fitz）。

如果提取文字是乱码：可能是字体嵌入问题或 PDF 使用了特殊编码。尝试用 page.extract_text(extraction_mode="layout") 或改用 OCR 工具（如 pytesseract + pdf2image）。

安装

pip install pypdf

读取PDF文件信息

from pypdf import PdfReader

# 打开 PDF 文件
pdf = PdfReader("example.pdf")

# 获取页数
print(f"总页数: {len(pdf.pages)}")

# 获取文档信息（作者、标题等）
meta = pdf.metadata
print("标题:", meta.title)
print("作者:", meta.author)

提取文本内容

from pypdf import PdfReader

pdf = PdfReader("example.pdf")
text = ""

for page in pdf.pages:
    text += page.extract_text() + "\n"

print(text)

合并多个PDF

from pypdf import PdfWriter, PdfReader

writer = PdfWriter()

# 添加多个 PDF
for filename in ["file1.pdf", "file2.pdf", "file3.pdf"]:
    reader = PdfReader(filename)
    for page in reader.pages:
        writer.add_page(page)

# 保存合并后的 PDF
with open("merged.pdf", "wb") as output_file:
    writer.write(output_file)

拆分PDF

from pypdf import PdfReader

# 为每页保存为单独文件
reader = PdfReader("document.pdf")
for i, page in enumerate(reader.pages):
    writer = PdfWriter()
    writer.add_page(page)
    with open(f"page_{i+1}.pdf", "wb") as f:
        writer.write(f)

旋转页面

from pypdf import PdfReader, PdfWriter

reader = PdfReader("input.pdf")
writer = PdfWriter()

for page in reader.pages:
    page.rotate(90)  # 顺时针旋转 90 度
    writer.add_page(page)

with open("rotated.pdf", "wb") as f:
    writer.write(f)