はじめに
こんにちは、Ryutaroです。
さて、Pythonを使ってPDFを扱おうと思った時に、色々調べているとPyPDF2の記事ばかりでてきますが、PyPDF2の公式サイトを見ると、
PyPDF2のプロジェクトはもともとあったプロジェクトのpypdfに戻ります。PyPDF2はバージョン3.0.xが最後のバージョンになります。開発はpypdfで続けていきます。
と書いてあります。
公式がpypdfで開発を続けていくと言ってるので、今回はpypdfの使い方をまとめます。
リリース日↓も超最近のもの（記事執筆日: 2023年3月10日）なので、開発が盛んに行われていそうです。
実際、リリース履歴を見てみると
去年のクリスマスイブから頻繁にバージョンアップがされていることが分かります。
なので、これからはPyPDF2ではなく、pypdfを使うことをオススメしておきます。
それではpypdfの使い方についてまとめていきます！
環境設定
pipでpypdfをインストールします。
pip install pypdf
pdfのモジュールを使ってみる
このドキュメントを参考にして各モジュールの使い方をまとめていきます。
今回は環境省のパンフレット↑の中の、1. 気候変動対策のPDF↓を例にしてみます。
1kankyosyo.pdfとして保存しておきます。
テキストの読み込み
PDF内のテキストを読み込んでみます。
読み込みのときには、pypdfのPdfReaderというモジュールを使います。
# ライブラリのインポート
from pypdf import PdfReader
# PDFファイルの読み込み
reader = PdfReader("1kankyosyo.pdf")
# ページ数の取得
number_of_pages = len(reader.pages)
# ページの取得。この場合は、1ページ目を取得する。
page = reader.pages[0]
# テキストの抽出
text = page.extract_text()
print(text)
結果↓
7気候変動対策
地球温暖化の進行によって 、異常気象の発生や
海面上昇の進行が起こるだけでなく、
農林水産業、金融業への経済影響、 災害、
難民の発生、安全保障の問題、健康への
影響など、 その影響は多岐に 渡ります 。
気候変動の原因となる温室効果ガスの
排出削減のための「緩和」対策、
気候変動の影響による被害の回避・軽減のための
「適応」対策を 両輪で取り組むことによって、
地球規模の解決を目指しています。
PDFを見てみると、たしかに1ページ目に書かれているテキストが取得できていることが分かります。
PDFの結合
結合のときには、pypdfのPdfMergerというモジュールを使います。
2つ目のPDFは2kankyosyo.pdfとして保存しておいて、1kankyosyo.pdfと2.kankyosyo.pdfを結合してみます。
# PDFの分割
from pypdf import PdfWriter
merger = PdfWriter()
for pdf in ["1kankyosyo.pdf", "2kankyosyo.pdf"]:
merger.append(pdf)
merger.write("merged-pdf.pdf")
merger.close()
これで、1kankyosyo.pdfと2.kankyosyo.pdfの結合ができました。
PDFの分割
PDFを分割して複数ページあるPDFを分割してみます。
読み込みと書き込みの機能を組み合わせて使います。
# ライブラリのインポート
from pypdf import PdfReader, PdfWriter
# PDFの読み込み
reader = PdfReader("1kankyosyo.pdf")
sourcepage = reader.pages[0]
# 書き込み用のオブジェクトを作成
writer = PdfWriter()
# 0番目の要素(1ページ目のPDF)を抜き出す
pdf = reader.pages[0]
# 書き込み用オブジェクトに追加
writer.add_page(pdf)
# ファイルに書き出し
with open("kankyosyo_p1.pdf", "wb") as fp:
writer.write(fp)
これをすることでkankyosyo_p1.pdfに1kankyosyo.pdfの1ページ目だけを分割して保存することができました。
画像の読み込み
PDF内の画像を読み込んでみます。
# モジュールのインポート
from pypdf import PdfReader
# PDFの読み込み
reader = PdfReader("1kankyosyo.pdf")
# ページの取得。こ場合は、1ページ目を取得する。
page = reader.pages[0]
count = 0
# ページ内の画像の個数でfor文を回す
for image_file_object in page.images:
# pngファイルの新規作成
with open(str(count) + image_file_object.name, "wb") as fp:
# 画像の書き出し
fp.write(image_file_object.data)
count += 1
下のような画像を取得することができました。
↓1kankyosyo.pdfの1ページ目
2つを比べてみると、たしかに1ページ目の画像を取得できていることが分かります。
最後に
pypdfの使い方についてまとめました。
詳細は下の公式ページを読んでみてください！
ここまで読んでいただきありがとうございました。