Python讀取PDF文件的多方面闡述

一、Python讀取PDF文件內容

要讀取PDF文件內容，需要使用PyPDF2模塊。該模塊在Python 2和Python 3中的使用方式略有不同。

在Python 2中，使用以下代碼打開一個PDF文件，並打印其中文本內容。

import pyPdf
    
    pdf = pyPdf.PdfFileReader(file('example.pdf', 'rb'))
    content = ''
    for i in range(0, pdf.getNumPages()):
        content += pdf.getPage(i).extractText() + "\n"
    print content.encode('utf8')

在Python 3中，PyPDF2模塊已經更新為使用PyPDF2庫，而不是pyPdf。

import PyPDF2
    
    pdf = open('example.pdf', 'rb')
    pdfReader = PyPDF2.PdfFileReader(pdf)
    content = ''
    for i in range(0, pdfReader.numPages):
        content += pdfReader.getPage(i).extractText() + "\n"
    print(content)

使用PyPDF2和其他Python標準庫，還可以輕鬆地將PDF轉換為其他格式，如HTML或Markdown。

二、Python讀取PDF文件查找關鍵字

要在PDF文件中查找關鍵字，可以先讀取文件內容，然後在其中查找。

import PyPDF2
    
    pdf = open('example.pdf', 'rb')
    pdfReader = PyPDF2.PdfFileReader(pdf)
    content = ''
    for i in range(0, pdfReader.numPages):
        content += pdfReader.getPage(i).extractText() + "\n"

    if 'keyword' in content:
        print('The keyword was found.')

上述代碼可以在讀取PDF文件內容後，在整個文本中查找「keyword」關鍵字，並打印出相應的結果。

三、Python讀取PDF文件為空

有些PDF文件沒有內容，只有一些圖片，這通常被稱為圖像PDF。

可以使用如下代碼來檢測PDF文件是否為空：

import PyPDF2
    
    pdf = open('empty.pdf', 'rb')
    pdfReader = PyPDF2.PdfFileReader(pdf)
    if pdfReader.getNumPages() == 0:
        print('The PDF file is empty.')

在讀取PDF文件時，只需檢查getNumPages()是否為0即可確定它是否為空。

四、Python讀取PDF文件中的文字和圖片

對於包含文本和圖片的PDF文件，可以使用Python的Pillow庫，將PDF文件中的圖像提取出來。

import PyPDF2
from PIL import Image
    
    pdf = open('example.pdf', 'rb')
    pdfReader = PyPDF2.PdfFileReader(pdf)
    for i in range(0, pdfReader.getNumPages()):
        page = pdfReader.getPage(i)
        xObject = page['/Resources']['/XObject'].getObject()
        for obj in xObject:
            if xObject[obj]['/Subtype'] == '/Image':
                size = (xObject[obj]['/Width'], xObject[obj]['/Height'])
                data = xObject[obj].getData()
                mode = 'RGB' if xObject[obj]['/ColorSpace'] == '/DeviceRGB' else 'P'
                image = Image.frombytes(mode, size, data)
                image.save(obj[1:] + '.png', 'PNG')

上述代碼將從文本和圖像中提取圖像，以利用Pillow庫，將圖像轉換為PNG文件並保存到硬盤。

五、Python讀取PDF文件中的二進制函數

在讀取PDF文件時，可以使用Python的二進制模式，讀取文件中的二進制函數。

with open('example.pdf', 'rb') as pdf_file:
        pdf_byte_array = pdf_file.read()
        # 執行二進制函數

但是，要執行二進制函數，需要了解PDF文件格式和底層操作系統。

六、Python讀取文件路徑

使用Python的os模塊，可以輕鬆地讀取PDF文件的文件路徑。

import os
    
    path = os.getcwd() + '/example.pdf'
    with open(path, 'rb') as pdf_file:
        # 執行其他操作

上述代碼中，使用了os模塊中的getcwd()函數，獲取當前工作目錄，再通過字符串拼接，得到PDF文件的完整路徑。

七、Python批量讀取文件

批量讀取PDF文件時，需要使用Python的os庫和glob庫。

以下代碼可以讀取一個目錄下所有的PDF文件，並打印出它們的文件名：

import os
import glob
    
    path = '/folder'
    os.chdir(path)
    for file in glob.glob('*.pdf'):
        with open(file, 'rb') as pdf_file:
            print('Reading file: ' + file)

對於更大的文件集合，可以使用多線程或多進程來加快讀取速度。

八、Python讀取記事本文件

用Python讀取記事本文件與讀取PDF文件類似，可以使用Python的標準文件讀取模式來讀取文本文件。

with open('example.txt', 'r') as file:
    for line in file:
        print(line)

上述代碼將打開名為「example.txt」的文本文件，並循環遍歷其中的每一行，並將其打印出來。

九、Python PDF文件操作

使用Python的ReportLab庫，可以創建PDF文檔、添加文本、圖像和表格，並進行PDF文件的其他常見操作。

以下是一個簡單的示例代碼，用於生成一個包含圖像和文本的PDF文檔：

from reportlab.pdfgen import canvas
from reportlab.lib.pagesizes import letter
from reportlab.lib.units import inch
from reportlab.platypus import Image, Paragraph, SimpleDocTemplate, Spacer
    
    def generate_pdf(filename):
        doc = SimpleDocTemplate(filename, pagesize=letter)
        Story = []
        im = Image('my_logo.png', 2*inch, 2*inch)
        Story.append(im)
        styles = getSampleStyleSheet()
        Story.append(Spacer(1, 12))
    
        ptext = 'Lorem Ipsum is simply dummy text of the printing and typesetting industry. Lorem Ipsum has been the industry standard dummy text ever since the 1500s, when an unknown printer took a galley of type and scrambled it to make a type specimen book.'
        Story.append(Paragraph(ptext, styles['Normal']))
        doc.build(Story)

    generate_pdf('example.pdf')

上述代碼將創建一個PDF文檔，其中包含一個名為「my_logo.png」的圖像和一些隨機文本。之後，用生成的PDF文件名filename生成PDF文檔，並保存在磁盤上。

結束語

綜上所述，Python作為一門豐富靈活的編程語言，可以輕鬆地讀取和操作PDF文件。無論您是從PDF文件中提取文本、查找關鍵字，或是生成自定義的PDF文件，Python都是一個不可或缺的工具。