PyPDF2を使ってPythonでPDFを操作する
PyPDF2を使うと、てPythonでPDFの内容を確認したり、保存が行えます。
インストール
pip install PyPDF2
PDFの読み取り
PdfReader Classを使って、読み込んだPDFファイルを操作します。
from PyPDF2 import PdfReader
READ_FILE_PATH = "C:\\Python3\\Work\\sample.pdf"
reader = PdfReader(READ_FILE_PATH)
ページ数を取得する
page_number = reader.getNumPages()
指定ページのテキストを抽出する
getPage()でページオブジェクトを取得し、ページのテキストを抽出します。getPage()のパラメータは0から始まるページインデックスです。
page = reader.getPage(0)
text = page.extractText()
全ページを走査する
ループを使って、各ページオブジェクトを取得できます。
for page in reader.pages:
# 処理...
#;
サンプル
from PyPDF2 import PdfReader
READ_FILE_PATH = "C:\\Python3\\Work\\sample.pdf"
reader = PdfReader(READ_FILE_PATH)
# ページ数を取得する.
page_number = reader.getNumPages()
print(page_number)
# ページオブジェクトを取得し、ページのテキストを抽出する.
page = reader.getPage(0) # 0..n index.
text = page.extractText()
print(text)
# 全ページを処理する.
for page in reader.pages:
text = page.extractText()
print(text)
#;
アノテーション情報の取得
ページ内にアノテーション情報(注釈)がある場合、page["/Annots"]でアノテーション情報を参照できます。
# ページにアノテーションがある場合にページ内のアノテーションを出力.
if "/Annots" in page:
for annot in page["/Annots"]:
annot_obj = annot.get_object()
subtype = annot_obj["/Subtype"]
print(subtype)
# Text か FreeText のみ文字データと矩形を出力.
if (subtype == "/Text") or (subtype == "/FreeText"):
print(annot_obj["/Contents"], annot_obj["/Rect"])
#;
#;
アノテーションの要素数はlen(page["/Annots"])で取得できます。
アノテーション情報の削除
page.pop("/Annots")でアノテーション情報を削除できます。戻り値は削除したアノテーション情報です。アノテーション情報が無い場合はエラーになります。
annots = page.pop("/Annots")
popした値を使う場合は次のようにします。for annot in annots:だとエラーになります。
annots = page.pop("/Annots")
for annot in annots.get_object():
annot_obj = annot.get_object()
#;
PDFの保存
PdfWriter Classを使って、PDFファイルの保存が行えます。
from PyPDF2 import PdfWriter
WRITE_FILE_PATH = "C:\\Python3\\Work\\page1.pdf"
writer = PdfWriter()
writer.addPage(page)
with open(WRITE_FILE_PATH, "wb") as f:
writer.write(f)
#;
writer.addPage()でページオブジェクトを追加し、ファイルに書き出します。パラメータのpageはPdfReader Classを使って、既存のPDFファイルから取得します。
この操作により、PDFの分割や結合などが簡単に行えます。
サンプル
PDFファイルの1ページ目だけを別のPDFファイルとして保存するだけのサンプルです。
from PyPDF2 import PdfReader
from PyPDF2 import PdfWriter
READ_FILE_PATH = "C:\\Python3\\Work\\sample.pdf"
WRITE_FILE_PATH = "C:\\Python3\\Work\\page1.pdf"
reader = PdfReader(READ_FILE_PATH)
writer = PdfWriter()
# 1ページ目のページオブジェクトを取得する.
page = reader.getPage(0)
# PDFWriterに設定.
writer.addPage(page)
with open(WRITE_FILE_PATH, "wb") as f:
writer.write(f)
#;
