回答了一个知乎付费咨询....

简介: 的确,PDF、Word作为工作和学习中经常会接触到的文档格式,很难避免与其打交道,今天,就来给大家介绍一下如何使用Python完成常用的PDF、Word编辑功能,再也不用为这项简单的事情付费了!

微信图片_20220421215739.png

最近我在知乎受到一个付费问答,虽然开通了付费问答功能,但是我已经很久没有回答过提问者的问题。

由于时间和精力有限,抽不出整块的时间好好回答提问者的问题,又不愿意三言两语糊弄提问的同学,索性就不回答了。

但是,前几天有一个同学付费咨询我”如何用Python把3个PDF文件按交叉顺序合并在一起?“

的确,PDF、Word作为工作和学习中经常会接触到的文档格式,很难避免与其打交道,今天,就来给大家介绍一下如何使用Python完成常用的PDF、Word编辑功能,再也不用为这项简单的事情付费了!

PDF文档

PDF是一种便携式文件格式,它包含文本、图像、图表等。

与纯文本文件不同,它是一种包含".pdf"扩展名的文件,由Adobe公司发明。

这种类型的文件与任何平台如软件、硬件和操作系统无关。

安装工具包

你需要安装一个名为pypdf2的软件包,它可以处理扩展名为".pdf "的文件:

pip install pypdf2

安装成功,会看到如下内容:

微信图片_20220421215745.png

读取PDF文件并提取数据

我们只能从pdf文件中提取文本内容,因为PyPDF2在提取多媒体内容时有一个限制,logo、图片等无法从中提取。

微信图片_20220421215749.png

上面的代码中的import语句得到了PyPDF2模块。你需要使用open('pdfFileName' , 'openMode'),其中pdfFilename是文件名称,openModerb,即只读取二进制格式。

微信图片_20220421215752.png

PyPDF2有一个名为 "PdfFileReader"的方法,它接收新创建的对象 "pdfFileObject"。你现在可以从 "pdfFileObject "中访问名为 "numPages"的属性,它能给返回总页数。

微信图片_20220421215757.png

你可以使用pdfReaderObject里面的'getPage(0)'方法来获取第1页。然后将结果存储在'firstPageObject'中,通过使用'extractText()'方法可以打印出该特定页面中的所有文本。

微信图片_20220421215800.png

微信图片_20220421215803.png

上面的代码给出了pdf文件的所有文本。但是,图像没有显示在终端,这一点用pyPDF2是无法获取到。

合并PDF

你将把两个不同的pdf文件合并成一个pdf文件,首先需要获取2个用于测试的PDF文档。

微信图片_20220421215808.png

我们需要从PyPDF2包中导入PdfFileMerger模块,它能够用于合并pdf文件。

指定'path',它表示文件所在的文件夹的路径。另外,要合并的pdf文件被包含在'pdf_files'的列表中。

微信图片_20220421215811.png

首先,需要通过PdfFileMerger创建一个合并对象,然后针对列表中的每个文件进行的遍历,其中合并是通过向'append'方法传递路径和文件来完成的。

最后,通过使用'merger.write()'可以获得最终的输出,在这里可以获得合并后的内容和新的PDF文件名。

微信图片_20220421215815.png

上图显示了一个'merged.pdf',它由'test.pdf'和'test-1.pdf'的内容合并而成。

Word文档

Word文件由文件名末尾的".docx "扩展名组成。这些文件并不像纯文本文件那样只包含文本,而是包括富文本文件。富文本文件包含文件的不同结构,这些结构有大小、对齐、颜色、图片、字体等。

如果你有一个用于处理Word文档的应用程序,那将是最好的。适用于Windows和Mac操作系统的流行应用程序是Microsoft Word,但它是一个付费订阅软件。

当然,也有一个免费的替代选择,如 "LibreOffice",它是一个预装在Linux中的应用程序。这些应用程序可以在Windows和Mac操作系统中下载。

本文,将介绍如何通过Python免费操作Word文档。

安装工具包

你需要安装一个名为 "python-docx"的软件包,它可以处理扩展名为".docx "的word文档。

微信图片_20220421215823.png

编辑Word文档

微信图片_20220421215827.png

你可以看到上面第一行中的 "document"模块是从 "docx "包中导入的。

第二行的代码通过Document对象的帮助生成了一个新的word文档。

使用'document.save()',文件名被保存为'first.docx'。

添加标题

上面的代码包含一个Document()打开一个新文件,document.save('addHeader.docx')被用来创建一个新编辑的docx文件。

微信图片_20220421215830.png

你可以通过add_heading('text,' level=number)方法添加标题,该方法将文本作为标题,标题级别从0到4开始。

微信图片_20220421215834.png

上述代码给出的输出是一个新创建的'addedHeader.docx'文件,其中0级的标题是文本下面的横线,而1级的标题是主标题。

同样地,其他的标题是副标题,其字体大小依次递减。

添加段落

微信图片_20220421215838.png


上述代码包含一个Document(),它打开了一个新的文档文件,document.save('addParagraph.docx')被用来创建一个新编辑的docx文件。你可以通过add_paragraph('text,' style='required_style')方法添加标题,该方法接收文本,同时style是一个可选的参数,可以使用'List Number'和'List Bullet'。

微信图片_20220421215842.png

上述代码给出的输出是一个新创建的addedParagraph.docx文件,在第一行有一个简单的段落。

同样,有一个标题,在它下面有一个有序的列表,包含一个编号为1和2的项目。

添加图片

微信图片_20220421215846.png

上面的代码包含一个Document(),它创建了一个新的文档文件,document.save('addPicture.docx')用于创建一个新编辑的docx文件。

你可以通过使用add_picture()来添加图片,它包含的第一个参数是cat-1.jpeg是猫的图片的路径。

微信图片_20220421215849.png

宽度和高度是可选的参数,默认为72 dp,但我们为我们的目的使用了Inches

上述代码给出的输出是一个新创建的addedPicture.docx文件,其中包含一张猫的图像,图像的宽度和高度都是1.25英寸。

读取Word文档

接下来,我们使用Python中读取一个word文档。

微信图片_20220421215853.png

代码的第一行从docx模块中导入Document,用来传递所需的文档文件,并创建一个对象。obtainText是一个函数,接收文件fullText.docx。循环是针对每个段落进行的,这些段落由document.parages访问,并使用append方法插入到一个空列表中。

最后,该函数返回一个以”另起一行“结束的段落列表。

微信图片_20220421215857.png

上面的输出给出了没有任何样式、颜色的纯文本。

接下来,你就可以解放双手,使用Python自动完成PDF、Word文档操作了!

相关文章
|
开发者 黑灰产治理
专家博主最新专享福利上线!发文即得积分好礼!
最新专享福利上线!赢取海量积分兑换心仪礼品
618 0
|
JavaScript 前端开发 小程序
【2023新星计划 】博客创作指导 & 活动解读
【2023新星计划 】博客创作指导 & 活动解读
226 0
|
机器学习/深度学习 搜索推荐 开发者
《开发者评测局》ImageSearch图像搜索评测上线,快来赢取神秘好礼🎁
写下你的使用体验,就有机会赢取Kindle Paperwhite4、评测局定制卫衣、云小宝帆布包、图搜6个月免费试用(1QPS,图片库最大容量10万)等好礼!
《开发者评测局》ImageSearch图像搜索评测上线,快来赢取神秘好礼🎁
|
人工智能 物联网 大数据
因热爱而分享!阿里云开发者社区 x InfoQ 创作者支持计划发布
阿里云开发者社区 x InfoQ 创作者支持计划发布
92326 12
因热爱而分享!阿里云开发者社区 x InfoQ 创作者支持计划发布
|
Ubuntu
一日一技:如何分享一段限时阅读的信息给别人?
一日一技:如何分享一段限时阅读的信息给别人?
636 0
一日一技:如何分享一段限时阅读的信息给别人?
|
JavaScript 关系型数据库 MySQL
|
消息中间件 tengine 运维
线上问题如何排查处理?这篇全搞定 | 开发者社区精选文章合集(十二)
有哪些常见的线上故障?如何快速定位问题?有哪些排查工具?本合集给你分享线上问题排查技巧!
线上问题如何排查处理?这篇全搞定 | 开发者社区精选文章合集(十二)
|
机器学习/深度学习 分布式计算 DataWorks
阿里云近期活动合集
①快速玩转机器学习PAI-DSW活动 最后一天!!!!! ②更新了部分奖品内容
5320 0
阿里云近期活动合集
|
开发者
阿里云开发者社区用户面对面邀请函
阿里云于9月中下旬开展一项面向开发者的调研活动,我们希望通过面对面的访谈形式,倾听您对阿里云开发者社区的评价和建议。同时,我们也会备有一定礼金作为您宝贵时间的答谢。
阿里云开发者社区用户面对面邀请函
|
安全 Cloud Native 物联网
100+本,400万次阅读,阿里技术电子书年终精选来了
2020即将进入尾声,是不是感觉今年什么也没做,却要迎接2021了?淡定~年终福利这就送上!
56368 0
100+本,400万次阅读,阿里技术电子书年终精选来了