PyPDF2 обработка PDF

Работа с PDF-файлами в Python: полное руководство по библиотеке PyPDF2

PDF — один из самых популярных форматов для электронных документов. Однако манипуляции с ним, такие как объединение, разделение, шифрование или извлечение текста, требуют надёжных инструментов. В Python одной из самых популярных и устойчивых библиотек для работы с PDF является PyPDF2.

PyPDF2 позволяет разработчику читать, редактировать и создавать PDF-файлы, а также получать метаданные, управлять страницами, добавлять защиту и даже встраивать водяные знаки. Это мощный инструмент как для автоматизации документооборота, так и для интеграции с другими сервисами.

Что такое PyPDF2

PyPDF2 — это Python-библиотека для работы с PDF-файлами, которая была разработана как улучшенная версия оригинальной библиотеки PyPDF. Она предоставляет высокоуровневый API для чтения, записи и модификации PDF-документов без необходимости понимания внутренней структуры PDF-формата.

Основные возможности библиотеки

• Чтение и извлечение текста из PDF-файлов
• Объединение нескольких PDF-документов
• Разделение PDF на отдельные страницы
• Добавление водяных знаков и наложение страниц
• Шифрование и расшифровка PDF-файлов
• Работа с метаданными документов
• Поворот и масштабирование страниц
• Работа с закладками и оглавлением

Установка PyPDF2

Установка библиотеки выполняется через pip:

pip install PyPDF2

Для более стабильной работы рекомендуется также установить дополнительные зависимости:

pip install PyPDF2[crypto]

Основные классы и компоненты

PdfReader

Класс PdfReader предназначен для чтения PDF-файлов. Он предоставляет доступ к страницам, метаданным и другой информации документа.

PdfWriter

Класс PdfWriter используется для создания новых PDF-файлов или модификации существующих. Он позволяет добавлять страницы, применять шифрование и изменять метаданные.

PdfMerger

Класс PdfMerger специализируется на объединении нескольких PDF-файлов в один документ с возможностью настройки порядка страниц.

Базовые операции с PDF

Чтение PDF-файлов

from PyPDF2 import PdfReader

# Загрузка PDF-файла
reader = PdfReader("example.pdf")

# Получение количества страниц
print(f"Количество страниц: {len(reader.pages)}")

# Извлечение текста с первой страницы
first_page = reader.pages[0]
text = first_page.extract_text()
print(text)

Извлечение текста со всех страниц

from PyPDF2 import PdfReader

reader = PdfReader("example.pdf")
full_text = ""

for page_num, page in enumerate(reader.pages):
    text = page.extract_text()
    full_text += f"--- Страница {page_num + 1} ---\n{text}\n\n"

print(full_text)

Проверка информации о документе

from PyPDF2 import PdfReader

reader = PdfReader("example.pdf")

# Проверка на шифрование
if reader.is_encrypted:
    print("Файл зашифрован")
else:
    print("Файл не зашифрован")

# Получение размеров первой страницы
page = reader.pages[0]
print(f"Размер страницы: {page.mediabox}")
print(f"Поворот: {page.rotation} градусов")

Объединение PDF-файлов

Простое объединение

from PyPDF2 import PdfMerger

merger = PdfMerger()

# Добавление файлов
merger.append("file1.pdf")
merger.append("file2.pdf")
merger.append("file3.pdf")

# Сохранение результата
merger.write("merged_document.pdf")
merger.close()

Объединение с указанием диапазона страниц

from PyPDF2 import PdfMerger

merger = PdfMerger()

# Добавление только определенных страниц
merger.append("file1.pdf", pages=(0, 3))  # Первые 3 страницы
merger.append("file2.pdf", pages=(2, 5))  # Страницы 3-5

merger.write("selective_merge.pdf")
merger.close()

Разделение PDF на страницы

Извлечение отдельных страниц

from PyPDF2 import PdfReader, PdfWriter

reader = PdfReader("example.pdf")

# Извлечение первой страницы
writer = PdfWriter()
writer.add_page(reader.pages[0])

with open("page1.pdf", "wb") as output_file:
    writer.write(output_file)

Разделение на несколько файлов

from PyPDF2 import PdfReader, PdfWriter

reader = PdfReader("example.pdf")

for page_num in range(len(reader.pages)):
    writer = PdfWriter()
    writer.add_page(reader.pages[page_num])
    
    with open(f"page_{page_num + 1}.pdf", "wb") as output_file:
        writer.write(output_file)

Работа с водяными знаками

Добавление водяного знака

from PyPDF2 import PdfReader, PdfWriter

# Загрузка основного документа и водяного знака
reader = PdfReader("document.pdf")
watermark = PdfReader("watermark.pdf")
writer = PdfWriter()

# Наложение водяного знака на каждую страницу
for page in reader.pages:
    page.merge_page(watermark.pages[0])
    writer.add_page(page)

with open("watermarked.pdf", "wb") as output_file:
    writer.write(output_file)

Создание водяного знака программно

from PyPDF2 import PdfWriter
from reportlab.pdfgen import canvas
from reportlab.lib.pagesizes import letter
import io

# Создание водяного знака с помощью ReportLab
packet = io.BytesIO()
can = canvas.Canvas(packet, pagesize=letter)
can.setFillAlpha(0.3)  # Прозрачность
can.drawString(100, 100, "КОНФИДЕНЦИАЛЬНО")
can.save()

# Использование созданного водяного знака
packet.seek(0)
watermark = PdfReader(packet)
# Далее используем как в предыдущем примере

Шифрование и безопасность

Шифрование PDF-файла

from PyPDF2 import PdfReader, PdfWriter

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

# Копирование страниц
for page in reader.pages:
    writer.add_page(page)

# Применение шифрования
writer.encrypt(
    user_pwd="userpassword",      # Пароль для просмотра
    owner_pwd="ownerpassword",    # Пароль для редактирования
    use_128bit=True               # Использование 128-битного шифрования
)

with open("protected.pdf", "wb") as output_file:
    writer.write(output_file)

Расшифровка PDF-файла

from PyPDF2 import PdfReader

reader = PdfReader("protected.pdf")

if reader.is_encrypted:
    success = reader.decrypt("userpassword")
    if success:
        print("Файл успешно расшифрован")
        # Теперь можно работать с содержимым
        text = reader.pages[0].extract_text()
        print(text)
    else:
        print("Неверный пароль")

Работа с метаданными

Извлечение метаданных

from PyPDF2 import PdfReader

reader = PdfReader("example.pdf")
metadata = reader.metadata

if metadata:
    print(f"Автор: {metadata.author}")
    print(f"Название: {metadata.title}")
    print(f"Тема: {metadata.subject}")
    print(f"Создатель: {metadata.creator}")
    print(f"Производитель: {metadata.producer}")
    print(f"Дата создания: {metadata.creation_date}")
    print(f"Дата изменения: {metadata.modification_date}")

Добавление метаданных

from PyPDF2 import PdfReader, PdfWriter

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

# Копирование страниц
for page in reader.pages:
    writer.add_page(page)

# Добавление новых метаданных
writer.add_metadata({
    "/Author": "Иван Иванов",
    "/Title": "Обновленный документ",
    "/Subject": "Техническая документация",
    "/Creator": "PyPDF2 Script"
})

with open("updated_metadata.pdf", "wb") as output_file:
    writer.write(output_file)

Дополнительные операции

Поворот страниц

from PyPDF2 import PdfReader, PdfWriter

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

for page in reader.pages:
    page.rotate(90)  # Поворот на 90 градусов по часовой стрелке
    writer.add_page(page)

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

Масштабирование страниц

from PyPDF2 import PdfReader, PdfWriter

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

for page in reader.pages:
    page.scale(0.5, 0.5)  # Уменьшение в 2 раза
    writer.add_page(page)

with open("scaled.pdf", "wb") as output_file:
    writer.write(output_file)

Удаление страниц

from PyPDF2 import PdfReader, PdfWriter

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

pages_to_remove = [2, 4, 6]  # Страницы для удаления (нумерация с 0)

for i, page in enumerate(reader.pages):
    if i not in pages_to_remove:
        writer.add_page(page)

with open("pages_removed.pdf", "wb") as output_file:
    writer.write(output_file)

Работа с закладками

Извлечение закладок

from PyPDF2 import PdfReader

reader = PdfReader("example.pdf")
bookmarks = reader.outline

def print_bookmarks(bookmarks, level=0):
    for bookmark in bookmarks:
        if isinstance(bookmark, list):
            print_bookmarks(bookmark, level + 1)
        else:
            print("  " * level + str(bookmark.title))

print_bookmarks(bookmarks)

Добавление закладок

from PyPDF2 import PdfReader, PdfWriter

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

# Копирование страниц
for page in reader.pages:
    writer.add_page(page)

# Добавление закладок
writer.add_outline_item("Введение", 0)
writer.add_outline_item("Глава 1", 1)
writer.add_outline_item("Глава 2", 3)

with open("bookmarked.pdf", "wb") as output_file:
    writer.write(output_file)

Полная таблица методов и функций PyPDF2

Продвинутые техники работы

Пакетная обработка файлов

import os
from PyPDF2 import PdfReader, PdfWriter

def process_pdf_directory(directory_path):
    """Обработка всех PDF файлов в директории"""
    for filename in os.listdir(directory_path):
        if filename.endswith('.pdf'):
            filepath = os.path.join(directory_path, filename)
            try:
                reader = PdfReader(filepath)
                print(f"Файл: {filename}")
                print(f"Страниц: {len(reader.pages)}")
                print(f"Зашифрован: {reader.is_encrypted}")
                print("-" * 30)
            except Exception as e:
                print(f"Ошибка при обработке {filename}: {e}")

# Использование
process_pdf_directory("/path/to/pdf/files")

Извлечение изображений

from PyPDF2 import PdfReader
import io
from PIL import Image

def extract_images_from_pdf(pdf_path):
    """Извлечение изображений из PDF"""
    reader = PdfReader(pdf_path)
    images = []
    
    for page_num, page in enumerate(reader.pages):
        if '/XObject' in page.get('/Resources', {}):
            xObject = page['/Resources']['/XObject'].get_object()
            
            for obj in xObject:
                if xObject[obj]['/Subtype'] == '/Image':
                    size = (xObject[obj]['/Width'], xObject[obj]['/Height'])
                    data = xObject[obj]._data
                    
                    if xObject[obj]['/ColorSpace'] == '/DeviceRGB':
                        mode = "RGB"
                    else:
                        mode = "P"
                    
                    if '/Filter' in xObject[obj]:
                        if xObject[obj]['/Filter'] == '/FlateDecode':
                            img = Image.frombytes(mode, size, data)
                            images.append(img)
    
    return images

Обработка ошибок и отладка

Обработка распространенных ошибок

from PyPDF2 import PdfReader, PdfWriter
from PyPDF2.errors import PdfReadError, PdfReadWarning

def safe_pdf_processing(pdf_path):
    """Безопасная обработка PDF с обработкой ошибок"""
    try:
        reader = PdfReader(pdf_path)
        
        # Проверка на повреждение файла
        if reader.is_encrypted:
            print("Файл зашифрован, требуется пароль")
            return None
        
        # Попытка извлечения текста
        text = ""
        for page_num, page in enumerate(reader.pages):
            try:
                page_text = page.extract_text()
                text += f"Страница {page_num + 1}:\n{page_text}\n\n"
            except Exception as e:
                print(f"Ошибка при обработке страницы {page_num + 1}: {e}")
                continue
        
        return text
    
    except PdfReadError as e:
        print(f"Ошибка чтения PDF: {e}")
        return None
    except Exception as e:
        print(f"Неожиданная ошибка: {e}")
        return None

# Использование
result = safe_pdf_processing("example.pdf")
if result:
    print(result)

Оптимизация производительности

Работа с большими файлами

from PyPDF2 import PdfReader, PdfWriter
import gc

def process_large_pdf(input_path, output_path):
    """Оптимизированная обработка больших PDF файлов"""
    reader = PdfReader(input_path)
    writer = PdfWriter()
    
    # Обработка по частям для экономии памяти
    batch_size = 10
    total_pages = len(reader.pages)
    
    for i in range(0, total_pages, batch_size):
        batch_end = min(i + batch_size, total_pages)
        
        for page_num in range(i, batch_end):
            page = reader.pages[page_num]
            writer.add_page(page)
        
        # Принудительная очистка памяти
        gc.collect()
        
        print(f"Обработано страниц: {batch_end}/{total_pages}")
    
    with open(output_path, "wb") as output_file:
        writer.write(output_file)

Сравнение с другими библиотеками

Лучшие практики

Рекомендации по использованию

1. Всегда используйте контекстные менеджеры для работы с файлами
2. Проверяйте шифрование перед обработкой файлов
3. Обрабатывайте исключения для повышения стабильности
4. Освобождайте ресурсы после использования PdfMerger
5. Используйте пакетную обработку для больших файлов

Примеры оптимального кода

from PyPDF2 import PdfReader, PdfWriter
from contextlib import contextmanager

@contextmanager
def pdf_processor(input_path, output_path):
    """Контекстный менеджер для безопасной работы с PDF"""
    reader = PdfReader(input_path)
    writer = PdfWriter()
    
    try:
        yield reader, writer
    finally:
        # Автоматическое сохранение результата
        with open(output_path, "wb") as output_file:
            writer.write(output_file)

# Использование
with pdf_processor("input.pdf", "output.pdf") as (reader, writer):
    for page in reader.pages:
        writer.add_page(page)

Практические примеры применения

Автоматизация документооборота

from PyPDF2 import PdfReader, PdfWriter, PdfMerger
import os
from datetime import datetime

def create_report_package(reports_dir, output_path):
    """Создание пакета отчетов с титульной страницей"""
    merger = PdfMerger()
    
    # Добавление титульной страницы
    merger.append("title_page.pdf")
    
    # Сортировка и добавление отчетов
    report_files = sorted([f for f in os.listdir(reports_dir) if f.endswith('.pdf')])
    
    for report_file in report_files:
        report_path = os.path.join(reports_dir, report_file)
        merger.append(report_path)
    
    # Сохранение результата
    merger.write(output_path)
    merger.close()
    
    print(f"Пакет отчетов создан: {output_path}")

# Использование
create_report_package("/path/to/reports", "monthly_reports.pdf")

Обработка счетов и контрактов

def process_invoices(invoice_dir, processed_dir):
    """Обработка счетов: добавление штампов и архивация"""
    stamp = PdfReader("approved_stamp.pdf")
    
    for filename in os.listdir(invoice_dir):
        if filename.endswith('.pdf'):
            input_path = os.path.join(invoice_dir, filename)
            output_path = os.path.join(processed_dir, f"processed_{filename}")
            
            reader = PdfReader(input_path)
            writer = PdfWriter()
            
            for page in reader.pages:
                # Добавление штампа на каждую страницу
                page.merge_page(stamp.pages[0])
                writer.add_page(page)
            
            # Добавление метаданных
            writer.add_metadata({
                "/ProcessedDate": datetime.now().isoformat(),
                "/Status": "Approved"
            })
            
            with open(output_path, "wb") as output_file:
                writer.write(output_file)

Частые вопросы и решения

Почему PyPDF2 плохо извлекает текст из некоторых PDF?

PyPDF2 работает с программно созданными PDF, но имеет ограничения при работе с отсканированными документами или файлами со сложным форматированием. Для таких случаев рекомендуется использовать PDFPlumber или PyMuPDF.

Как обработать зашифрованный PDF без пароля?

Без пароля расшифровка невозможна. PyPDF2 предоставляет метод decrypt(), который возвращает код результата:

• 0: неудача
• 1: успех с паролем пользователя
• 2: успех с паролем владельца

Можно ли редактировать существующий текст в PDF?

PyPDF2 не поддерживает редактирование существующего текста. Библиотека позволяет только добавлять новые элементы, объединять страницы и применять трансформации.

Как улучшить качество извлечения текста?

Для улучшения качества извлечения текста рекомендуется:

• Комбинировать PyPDF2 с PDFPlumber
• Использовать OCR-библиотеки для отсканированных документов
• Предварительно обрабатывать PDF для устранения артефактов

Поддерживает ли PyPDF2 работу с формами PDF?

PyPDF2 имеет ограниченную поддержку PDF-форм. Для полноценной работы с интерактивными формами рекомендуется использовать специализированные библиотеки.

Заключение

PyPDF2 — мощный и универсальный инструмент для работы с PDF-документами в Python. Несмотря на некоторые ограничения в области извлечения текста и работы с формами, библиотека отлично справляется с основными задачами обработки PDF: объединением, разделением, шифрованием и добавлением водяных знаков.

Библиотека особенно хорошо подходит для:

• Автоматизации рутинных операций с документами
• Создания систем документооборота
• Пакетной обработки PDF-файлов
• Интеграции с веб-приложениями

При выборе между PyPDF2 и альтернативами следует учитывать специфику задач: для простых операций с PDF PyPDF2 является оптимальным выбором, а для сложного извлечения текста лучше использовать специализированные инструменты в сочетании с PyPDF2.