Manipulacja i analiza plików PDF

Last modified: October 25, 2022

This article is written in: 🇵🇱

Manipulacja i analiza plików PDF

Praca z plikami PDF w Pythonie jest możliwa dzięki kilku dostępnym bibliotekom. Jednym z najpopularniejszych narzędzi służących do tego celu jest PyPDF2.

Wprowadzenie do PyPDF2

PyPDF2 to biblioteka w języku Python, która umożliwia manipulowanie plikami PDF, takimi jak odczytywanie zawartości, modyfikowanie, łączenie i dzielenie dokumentów.
Biblioteka ta jest wolna od zależności od zewnętrznych narzędzi, co sprawia, że jest łatwa w instalacji i użyciu.
Dzięki PyPDF2 programiści mogą automatyzować procesy związane z dokumentami PDF, co jest szczególnie przydatne w aplikacjach biznesowych i naukowych.

Instalacja biblioteki PyPDF2

Aby rozpocząć pracę z PyPDF2, najpierw należy ją zainstalować przy użyciu menedżera pakietów pip, co można zrobić za pomocą polecenia:

pip install PyPDF2

Upewnij się, że używasz odpowiedniej wielkości liter w nazwie pakietu, ponieważ w nowszych wersjach nazwa pakietu to PyPDF2, a nie pypdf2.
Po pomyślnej instalacji warto sprawdzić wersję zainstalowanej biblioteki, aby upewnić się, że korzystasz z najnowszej.

Otwieranie i odczytywanie pliku PDF

Możemy łatwo otworzyć plik PDF w trybie odczytu binarnego ('rb'), który jest wymagany do prawidłowego przetwarzania plików PDF.

from PyPDF2 import PdfFileReader

with open('plik.pdf', 'rb') as plik:
  czytnik = PdfFileReader(plik)

Metoda PdfFileReader tworzy obiekt, który pozwala na interakcję z zawartością pliku PDF.
Tryb binarny jest niezbędny, ponieważ pliki PDF zawierają dane binarne, które mogą być niepoprawnie odczytane w trybie tekstowym.

Eksploracja informacji o pliku PDF

Za pomocą obiektu PdfFileReader możemy uzyskać różne metadane dokumentu, takie jak liczba stron, autor czy tytuł.
Aby uzyskać liczbę stron, używamy metody getNumPages(), która zwraca całkowitą liczbę stron w dokumencie.

liczba_stron = czytnik.getNumPages()
print(f"Liczba stron: {liczba_stron}")

Metoda getDocumentInfo() zwraca obiekt zawierający informacje o dokumencie, które można wyświetlić lub przetworzyć.

informacje = czytnik.getDocumentInfo()
print(f"Autor: {informacje.author}")
print(f"Tytuł: {informacje.title}")

Metadane mogą być przydatne przy katalogowaniu dokumentów lub wyświetlaniu informacji w interfejsie użytkownika.

Odczytywanie zawartości stron

Aby uzyskać dostęp do treści konkretnej strony, używamy metody getPage(nr_strony), która zwraca obiekt reprezentujący daną stronę.

strona = czytnik.getPage(0)  # Pobiera pierwszą stronę

Możemy następnie wyodrębnić tekst ze strony za pomocą metody extractText().

tekst = strona.extractText()
print(tekst)

Uwaga: Metoda extractText() może nie zawsze działać poprawnie z nowszymi formatami PDF lub jeśli dokument zawiera niestandardowe czcionki czy układy.
W przypadku problemów z ekstrakcją tekstu warto rozważyć użycie alternatywnych bibliotek, takich jak PDFMiner.

Iterowanie przez wszystkie strony dokumentu

Jeśli chcemy przetworzyć cały dokument, możemy iterować przez wszystkie strony za pomocą pętli for.

for nr_strony in range(liczba_stron):
  strona = czytnik.getPage(nr_strony)
  tekst = strona.extractText()
  print(f"Strona {nr_strony + 1}:")
  print(tekst)

Iteracja pozwala na masowe przetwarzanie dokumentu, co jest przydatne w przypadku dużych plików.
Możemy także zbierać tekst ze wszystkich stron do jednego ciągu znaków lub listy, aby łatwiej go analizować.

Modyfikowanie dokumentów PDF

Do modyfikacji dokumentów PDF używamy obiektu PdfFileWriter, który pozwala na tworzenie nowych dokumentów lub modyfikowanie istniejących.

from PyPDF2 import PdfFileWriter

pisarz = PdfFileWriter()

Możemy dodawać strony do nowego dokumentu za pomocą metody addPage().

strona = czytnik.getPage(0)
pisarz.addPage(strona)

PdfFileWriter nie modyfikuje istniejącego dokumentu, ale tworzy nowy, co jest ważne dla zachowania integralności oryginalnych plików.

Dodawanie nowej strony z tekstem

Aby dodać nową stronę z własnym tekstem, potrzebujemy dodatkowej biblioteki, takiej jak ReportLab, która umożliwia generowanie stron PDF.

pip install reportlab

Następnie tworzymy nową stronę za pomocą canvas z ReportLab.

from reportlab.pdfgen import canvas
from reportlab.lib.pagesizes import A4
from io import BytesIO

packet = BytesIO()
can = canvas.Canvas(packet, pagesize=A4)
can.drawString(100, 750, "Hello, World!")
can.save()

Po utworzeniu nowej strony, integrujemy ją z istniejącym dokumentem za pomocą PyPDF2.

packet.seek(0)
nowy_pdf = PdfFileReader(packet)
pisarz.addPage(nowy_pdf.getPage(0))

Proces ten pozwala na tworzenie złożonych dokumentów z własnymi treściami i istniejącymi stronami.

Zapisywanie zmodyfikowanego dokumentu

Aby zapisać nowy lub zmodyfikowany dokument, używamy metody write() obiektu PdfFileWriter.

with open('nowy_plik.pdf', 'wb') as plik_wyjsciowy:
  pisarz.write(plik_wyjsciowy)

Tryb zapisu binarnego ('wb') jest konieczny, aby plik został zapisany poprawnie.
Po zapisaniu warto otworzyć plik, aby upewnić się, że wszystkie zmiany zostały wprowadzone zgodnie z oczekiwaniami.

Łączenie wielu plików PDF w jeden dokument

Do łączenia wielu plików PDF używamy klasy PdfFileMerger z biblioteki PyPDF2.

from PyPDF2 import PdfFileMerger

merger = PdfFileMerger()

Możemy dodawać pliki do obiektu merger za pomocą metody append().

pliki_do_polaczenia = ['plik1.pdf', 'plik2.pdf', 'plik3.pdf']
for plik_pdf in pliki_do_polaczenia:
  merger.append(plik_pdf)

Na koniec zapisujemy połączony dokument do nowego pliku.

with open('polaczony_dokument.pdf', 'wb') as plik_wyjsciowy:
  merger.write(plik_wyjsciowy)

Łączenie plików jest szczególnie przydatne przy tworzeniu raportów zbiorczych lub kompilacji dokumentów.

Dodatkowe funkcje PyPDF2

Możemy zabezpieczyć dokument hasłem za pomocą metody encrypt().

pisarz.encrypt(user_pwd='haslo_uzytkownika', owner_pwd='haslo_wlasciciela', use_128bit=True)

Możemy podzielić dokument na mniejsze części, wybierając konkretne strony do nowego dokumentu.

# Dodajemy strony od 2 do 5
for nr_strony in range(1, 5):
  strona = czytnik.getPage(nr_strony)
  pisarz.addPage(strona)

Chociaż PyPDF2 ma ograniczone wsparcie dla zakładek, możemy dodawać prosty tekst lub adnotacje.

# Dodanie adnotacji na pierwszej stronie
page = reader.pages[0]  # Pobieramy pierwszą stronę

# Tworzymy adnotację (przykład prostego tekstu)
annotation = AnnotationBuilder.text(
    "To jest przykładowa adnotacja tekstowa!",
    rect=(100, 700, 300, 720),  # Współrzędne (x1, y1, x2, y2) prostokąta
    open=True  # Domyślnie otwarta adnotacja
)

# Dodajemy adnotację do strony
page.add_annotation(annotation)

# Dodajemy strony do nowego pliku PDF
for page in reader.pages:
    writer.add_page(page)

Możemy obrócić stronę o określony kąt za pomocą metody rotateClockwise().

strona = czytnik.getPage(0)
strona.rotateClockwise(90)
pisarz.addPage(strona)

Obsługa wyjątków i błędów

Podczas pracy z plikami PDF mogą wystąpić różne błędy, dlatego ważne jest, aby implementować obsługę wyjątków.

try:
  with open('plik.pdf', 'rb') as plik:
      czytnik = PdfFileReader(plik)
except FileNotFoundError:
  print("Plik nie został znaleziony.")
except Exception as e:
  print(f"Wystąpił błąd: {e}")

Obsługa wyjątków zwiększa niezawodność aplikacji i pozwala na lepsze zarządzanie błędami.
Warto również sprawdzać, czy plik PDF nie jest zaszyfrowany przed próbą jego odczytu.

Alternatywne biblioteki do manipulacji plikami PDF

PDFMiner jest biblioteką przeznaczoną do ekstrakcji tekstu z plików PDF, zapewniając skuteczność szczególnie w przypadku dokumentów zawierających różnorodne układy tekstu.
ReportLab umożliwia tworzenie dokumentów PDF od podstaw, oferując zaawansowane możliwości związane z projektowaniem układów strony, dodawaniem grafiki oraz interaktywnych elementów.
pdfrw pozwala na odczytywanie i modyfikowanie plików PDF bez potrzeby instalacji dodatkowych zależności, co czyni ją lekkim i prostym w użyciu narzędziem.
PyMuPDF, znane również jako Fitz, oferuje szybkie i wydajne operacje na plikach PDF, w tym możliwość manipulacji obrazami, czcionkami oraz obiektami wektorowymi.
PyPDF2 jest często wybierane jako podstawowe narzędzie do pracy z plikami PDF ze względu na prostotę obsługi i szeroki zakres funkcjonalności, takich jak scalanie, dzielenie i szyfrowanie dokumentów.

Praktyczne zastosowania manipulacji plikami PDF

Generowanie raportów w formacie PDF pozwala na automatyczne tworzenie raportów na podstawie danych, co jest często wykorzystywane przez firmy do generowania raportów finansowych, które mogą być automatycznie tworzone i wysyłane do zainteresowanych stron.
Przetwarzanie faktur umożliwia ekstrakcję danych z faktur w celu automatyzacji procesów księgowych, co pozwala na oszczędność czasu i redukcję błędów ludzkich przy wprowadzaniu danych.
Łączenie dokumentów jest przydatne przy tworzeniu jednego dokumentu z wielu plików PDF, takich jak zestawy umów czy prezentacji, co ułatwia zarządzanie dokumentacją i jej dystrybucję.
Dodawanie znaków wodnych do dokumentów pozwala na ich oznaczanie w celach bezpieczeństwa lub identyfikacji, co chroni przed nieautoryzowanym kopiowaniem i rozpowszechnianiem treści.
Digitalizacja dokumentów umożliwia przetwarzanie zeskanowanych materiałów i konwersję ich do przeszukiwalnych plików PDF, co znacząco poprawia dostępność i organizację treści.

Dobre praktyki

Zarządzanie zasobami w pracy z plikami PDF jest bardziej efektywne, gdy używa się kontekstu with przy ich otwieraniu, ponieważ zapewnia to automatyczne zamknięcie plików, co zapobiega wyciekom pamięci i blokadom plików.
Bezpieczeństwo jest kluczowe podczas pracy z plikami pochodzącymi z niezaufanych źródeł, dlatego warto upewnić się, że pliki nie zawierają złośliwego kodu lub nie są uszkodzone, aby uniknąć potencjalnych zagrożeń.
Regularne aktualizacje biblioteki PyPDF2 pozwalają na korzystanie z najnowszych funkcji i poprawek bezpieczeństwa, co jest istotne, ponieważ nowe wersje często zawierają ważne ulepszenia oraz naprawy błędów.
Dokumentacja oficjalna oraz wsparcie społeczności mogą być cennym źródłem informacji, pomagając w rozwiązywaniu problemów oraz w nauce najlepszych praktyk dotyczących pracy z plikami PDF.