はじめに
PythonのPDF処理ライブラリpypdfについてまとめる。
目次
pypdfライブラリ取得
pypdfのライブラリは下記で取得。パスワードがかかっているファイルを復号化する場合はpypdf[crypto]も必要。
$ pip install pypdf
$ pip install pypdf[crypto]
PDF読み込みとテキスト出力
PDFファイルはpypdf.PdfReader()で読み出す。テキスト出力はページを指定して.extract_text()でできる。スライスを使えないので複数ページ出力したい場合は、for等で出力する必要がある。
| コマンド | 内容 |
|---|---|
| pdf = pypdf.PdfReader('ファイル名') | ファイルを読み出しpdfへ出力 |
| len(pdf.pages) | ページ数 |
| pdf.pages[0].extract_text() | 1ページ目をテキスト出力 |
import pypdf
# pdf読み出し
in_file = input('PDFファイル名：')
pdf = pypdf.PdfReader(in_file)
# ページ数読み出し
print(f'# {len(pdf.pages)=}')
# 1ページ目読み出し
print(pdf.pages[0].extract_text())
# 全ぺージ読み出し
for i in pdf.pages:
print(i.extract_text())
PDF図の出力
PDFの図の出力は.imagesで取り出せる。
下記は、./figフォルダに図を保存する例。図名は、ページごとに被る可能性があるのでcntをファイル名に付けて保存している。
import pypdf
import os
# pdf読み出し
in_file = input('PDFファイル名：')
pdf = pypdf.PdfReader(in_file)
# 図の格納フォルダ作成
if not os.path.isdir('fig'):
os.mkdir('fig')
cnt=0
for page in pdf.pages:
#各ページ内の図を取り出し、ファイルとして保存する。
for image in page.images:
print(f'{cnt:04d}_{image.name},{image}')
with open(f'fig/{cnt:04d}_{image.name}', 'wb') as f:
f.write(image.data)
cnt=cnt+1
# print(f'{cnt:04d}_{image.name},{image}')
# 0000_Im0.jpg,ImageFile(name=Im0.jpg, data: 28.5 kB)
PDF書き込み
| コマンド | 内容 |
|---|---|
| pdf = pypdf.PdfWriter() | PDF生成 |
| pdf.clone_reader_document_root() | 特定のPDFを先頭からコピーしてクローンを作る |
| pdf.add_page() | pdfを1ページ追加 |
| pdf.write('出力ファイル名.pdf') | ファイルとして書き出し |
ファイルをクローン
import pypdf
# PDF生成
new_pdf = pypdf.PdfWriter()
# あるPDF読み出し
in_file = input('PDFファイル名：')
pdf = pypdf.PdfReader(in_file)
# クローン生成
new_pdf.clone_reader_document_root(pdf)
#ファイル出力
new_pdf.write('出力ファイル名.pdf')
new_pdf.close()
特定のページをコピー
import pypdf
# PDF生成
new_pdf = pypdf.PdfWriter()
# あるPDF読み出し
in_file = input('PDFファイル名：')
pdf = pypdf.PdfReader(in_file)
#6ページ目(0オリジン)～最後のページまで抜き出し
for i in pdf.pages[5:]:
pdf_div.add_page(i)
new_pdf.write('出力ファイル名.pdf')
new_pdf.close()
PDFマージ
.append()と.merge()を使えば、PDFファイル全てをマージしたり、特定のページをマージしたりすることができる。
| コマンド | 内容 |
|---|---|
| mpdf = pypdf.PdfWriter() | マージ用PDF作成(書き込みと同じ) |
| mpdf.append('マージファイル名') | ファイルをすべてマージ |
| mpdf.merge(page, file ,pages=pypdf.PageRange('start:stop:step')) | fileの特定のpageから start/stop/stepで指定したページを挿入する |
PDFマージ
import pypdf
mpdf = pypdf.PdfWriter()
mpdf.append('A.pdf') #A.pdf全て
mpdf.append('B.pdf') #B.pdf全て
mpdf.write('AB.pdf')
mpdf.close()
PDFをページ指定してマージ
import pypdf
mpdf = pypdf.PdfWriter()
mpdf.append('A.pdf') #A.pdf全て
mpdf.merge(10,'B.pdf',pages=pypdf.PageRange('0:5')) #B.pdfの1～5ページを 10ページ目に挿入する
mpdf.write('AB.pdf')
mpdf.close()
PDF分割
.append()を使えば、PDFを分割することもできる。
| コマンド | 内容 |
|---|---|
| divpdf = pypdf.PdfWriter() | 分割用PDF作成(書き込みと同じ) |
| divpdf.append(file,pages=pypdf.PageRange('start:stop:step')) | fileをstart/stop/stepで指定したページ抜き出す |
PDF分割
import pypdf
div1_pdf = pypdf.PdfWriter()
div2_pdf = pypdf.PdfWriter()
div1_pdf.append('A.pdf',pages=pypdf.PageRange(':5')) #5ページ目まで
div2_pdf.append('A.pdf',pages=pypdf.PageRange('5:')) #5ページ以降
div1_pdf.write('A1.pdf')
div2_pdf.write('A2.pdf')
PDFパスワード解除
pdf.is_encryptedでpdfの暗号化状態を確認できる。Trueであれば、パスワードがかかっている。パスワード解除はpdf.decrypt('パスワード')でできる。このライブラリでパスワード解読できるわけではないので、パスワードはわかっている必要はある。
下記例は、パスワード解除して、解除したファイルを新たに作成する関数。def pdf_unlock(in_file, password, out_file):
import pypdf
# PDFファイル読み込み
in_file = input('PDFファイル名：')
pdf = pypdf.PdfReader(in_file)
# 暗号状態確認
print(f'# {pdf.is_encrypted=}')
# pdf.is_encrypted=True
#-------------------------------------------
# PDF解除処理
#-------------------------------------------
def pdf_unlock(in_file, password, out_file):
#PDF読み込み
pdf = pypdf.PdfReader(in_file)
#PDFパスワード解除
pdf.decrypt(password)
#新PDFファイルを準備
pdf_unlock = pypdf.PdfWriter()
#新PDFにコピー
pdf_unlock.clone_reader_document_root(pdf)
#パスワード解除された状態でPDF保存
pdf_unlock.write(out_file)
pdf_unlock.close()
# PDFファイル読み込み
password = input('PDFのパスワード：')
out_file = 'unlock'+in_file
# PDF解除処理
pdf_unlock(in_file, password, out_file)