Python PDF处理终极指南：用pypdf轻松玩转PDF文档

戚宾来

757人浏览 · 2026-07-02 16:42:37

戚宾来 · 2026-07-02 16:42:37 发布

Python PDF处理终极指南：用pypdf轻松玩转PDF文档

【免费下载链接】pypdf A pure-python PDF library capable of splitting, merging, cropping, and transforming the pages of PDF files 项目地址: https://gitcode.com/GitHub_Trending/py/pypdf

还在为PDF文档处理而烦恼吗？📄 每天面对拆分、合并、加密、提取文本这些重复性工作，你是不是也想过有没有一种简单高效的方法？今天我要为你介绍一个神奇的Python库——pypdf，它能让你用几行代码就完成复杂的PDF操作！

pypdf是一个纯Python实现的PDF处理库，完全开源免费，支持Python 3.9及以上版本。无论你是数据分析师、办公自动化工程师，还是需要处理大量文档的开发者，pypdf都能成为你的得力助手。想象一下，原本需要手动操作半小时的PDF合并任务，现在只需要几秒钟就能搞定！

🚀 5分钟快速上手：从零开始使用pypdf

一键安装，即刻体验

安装pypdf就像喝一杯咖啡那么简单。打开你的终端，输入以下命令：

pip install pypdf

如果还需要加密解密功能，可以安装额外依赖：

pip install pypdf[crypto]

安装完成后，让我们写一个最简单的测试程序：

# 验证安装是否成功
import pypdf
print(f"🎉 pypdf版本: {pypdf.__version__}")

# 读取PDF的基本信息
from pypdf import PdfReader

reader = PdfReader("你的PDF文件.pdf")
print(f"📄 文档页数: {len(reader.pages)}")
print(f"📝 文档标题: {reader.metadata.get('/Title', '未设置')}")

是不是很简单？你已经成功迈出了第一步！

✨ 核心功能亮点：pypdf能为你做什么？

1. PDF合并：像拼图一样简单

想象一下，你有多个PDF报告需要合并成一个完整的文档。使用pypdf，这就像拼图一样简单：

from pypdf import PdfMerger

merger = PdfMerger()

# 添加多个PDF文件
merger.append("报告1.pdf")
merger.append("报告2.pdf")
merger.append("报告3.pdf")

# 保存合并后的文件
merger.write("完整报告.pdf")
merger.close()

看看合并后的效果！所有页面都完美地整合在一起，保持原有的格式和布局。

2. 页面旋转与调整：让文档更美观

有时候PDF页面方向不对？pypdf可以轻松旋转页面：

from pypdf import PdfReader, PdfWriter

reader = PdfReader("原始文档.pdf")
writer = PdfWriter()

for page in reader.pages:
    # 旋转90度
    page.rotate(90)
    writer.add_page(page)

with open("旋转后文档.pdf", "wb") as output_file:
    writer.write(output_file)

3. 文本提取：从PDF中获取文字内容

需要从PDF中提取文字进行分析？pypdf的文本提取功能非常强大：

from pypdf import PdfReader

reader = PdfReader("技术文档.pdf")

# 提取所有页面的文本
all_text = ""
for page in reader.pages:
    text = page.extract_text()
    all_text += text + "\n\n"

# 保存提取的文本
with open("提取的文本.txt", "w", encoding="utf-8") as f:
    f.write(all_text)

print(f"✅ 成功提取了{len(all_text)}个字符")

🎯 实际应用场景：pypdf在现实工作中的妙用

场景一：月度报告自动化处理

每个月末，小王都需要处理几十份销售报告PDF。以前他需要手动合并、添加水印、加密，整个过程要花费2小时。现在他用pypdf写了个脚本：

import os
from pypdf import PdfMerger
from datetime import datetime

def process_monthly_reports(report_folder, output_name):
    """自动化处理月度报告"""
    merger = PdfMerger()
    
    # 按日期排序所有PDF文件
    pdf_files = sorted([f for f in os.listdir(report_folder) 
                       if f.endswith('.pdf')])
    
    for pdf_file in pdf_files:
        merger.append(os.path.join(report_folder, pdf_file))
    
    # 添加水印页
    watermark = PdfReader("公司水印.pdf")
    merger.merge(0, watermark.pages[0])
    
    # 加密文档
    merger.encrypt("公司密码123")
    
    # 保存
    merger.write(f"{output_name}_{datetime.now().strftime('%Y%m')}.pdf")
    merger.close()
    
    print(f"🎯 已处理{len(pdf_files)}个文件，生成月度报告！")

现在他只需要运行这个脚本，2分钟就能完成原本2小时的工作！

场景二：批量重命名和整理

李经理有上百个PDF文件需要按照内容重命名：

import os
from pypdf import PdfReader

def rename_pdfs_by_content(folder_path):
    """根据PDF内容智能重命名"""
    for filename in os.listdir(folder_path):
        if filename.endswith('.pdf'):
            filepath = os.path.join(folder_path, filename)
            
            try:
                reader = PdfReader(filepath)
                # 提取第一页的前50个字符作为新文件名
                first_page_text = reader.pages[0].extract_text()
                new_name = first_page_text[:50].replace('\n', ' ').strip()
                
                # 清理文件名中的非法字符
                new_name = "".join(c for c in new_name if c.isalnum() or c in ' _-')
                new_name = new_name[:100] + ".pdf"
                
                new_path = os.path.join(folder_path, new_name)
                os.rename(filepath, new_path)
                print(f"✅ 已重命名: {filename} -> {new_name}")
                
            except Exception as e:
                print(f"⚠️ 处理{filename}时出错: {e}")

🔧 进阶技巧：让pypdf发挥最大威力

内存优化：处理超大PDF文件

处理几百页的大型PDF时，内存管理很重要：

from pypdf import PdfReader

def process_large_pdf_in_chunks(pdf_path, chunk_size=20):
    """分块处理大型PDF，避免内存溢出"""
    reader = PdfReader(pdf_path)
    
    for i in range(0, len(reader.pages), chunk_size):
        chunk_pages = reader.pages[i:i+chunk_size]
        
        # 处理当前块
        process_chunk(chunk_pages)
        
        # 及时清理内存
        del chunk_pages
    
    print(f"🎯 已完成处理，共{len(reader.pages)}页")

智能水印：让文档更专业

添加水印不仅保护版权，还能让文档看起来更专业：

from pypdf import PdfReader, PdfWriter

def add_watermark_to_pdf(input_pdf, output_pdf, watermark_text="机密文件"):
    """为PDF添加自定义水印"""
    reader = PdfReader(input_pdf)
    writer = PdfWriter()
    
    for page in reader.pages:
        # 创建水印页面
        watermark_page = page.create_watermark(watermark_text)
        
        # 合并原页面和水印
        page.merge_page(watermark_page)
        writer.add_page(page)
    
    with open(output_pdf, "wb") as output_file:
        writer.write(output_file)
    
    print(f"✅ 已为文档添加'{watermark_text}'水印")

目录生成：让长文档更易读

为长PDF文档自动生成目录：

from pypdf import PdfReader, PdfWriter

def add_table_of_contents(pdf_path, output_path):
    """为PDF添加目录"""
    reader = PdfReader(pdf_path)
    writer = PdfWriter()
    
    # 复制所有页面
    for page in reader.pages:
        writer.add_page(page)
    
    # 添加目录结构
    writer.add_outline_item("第一章：简介", 0)
    writer.add_outline_item("1.1 入门指南", 1)
    writer.add_outline_item("1.2 安装配置", 2)
    writer.add_outline_item("第二章：高级功能", 10)
    
    with open(output_path, "wb") as f:
        writer.write(f)
    
    print("📚 已成功添加目录导航")

❓ 常见问题解答：你可能遇到的困惑

Q1: pypdf支持中文PDF吗？

A: 完全支持！pypdf可以正确处理中文编码的PDF文件，提取中文文本毫无压力。如果遇到乱码，可以尝试指定编码：

text = page.extract_text(layout_mode=True, encoding='utf-8')

Q2: 处理加密的PDF怎么办？

A: pypdf支持密码保护的PDF。读取时需要提供密码：

reader = PdfReader("加密文档.pdf", password="你的密码")

如果忘记密码，pypdf还提供了暴力破解的辅助功能（仅限合法用途）。

Q3: 如何批量处理多个PDF文件？

A: 结合Python的os模块，轻松实现批量处理：

import os
from pypdf import PdfMerger

# 合并文件夹内所有PDF
merger = PdfMerger()
for file in os.listdir("pdf_folder"):
    if file.endswith(".pdf"):
        merger.append(f"pdf_folder/{file}")

Q4: pypdf能提取图片吗？

A: 当然可以！pypdf不仅能提取文本，还能提取PDF中的图片：

for page_num, page in enumerate(reader.pages):
    for image_file_object in page.images:
        with open(f"page_{page_num}_{image_file_object.name}", "wb") as fp:
            fp.write(image_file_object.data)