Python利用PyPDF2快速拆分PDF文档

Elsa ·

更新时间:2024-11-10

· 1259 次阅读

安装PyPDF2模块

创建文件，准备PDF文档

万事俱备，准备开拆

文档的拆分思路

python拆分计算公式：

具体怎么拆？

完整拆分程序：

列表拆分法实现拆分PDF

写在最后

“人生苦短，快学Python”,因为这句口号，我也加入了学习Python的浩浩大军，但由于Python真的是可以做的事情太多了，一时迷了眼，不知道自己应该去专攻哪个方向。

经过多方向试探，我还是选择了广而不深的web开发，Python的web开发自然离不开大名鼎鼎的Django,有一次突发奇想，下载了Django的PDF版文档，心想方便查阅，但懵逼的是PDF版竟然只有英文版，将近1900多页，无奈只能找一些平台的文档翻译功能，大部分需要付费，免费的限制很多，例如免费用户每次最多只能翻译5页，而且文档大小最大不能超过5M到10M。
怎么办？学Python的人会怕这个吗？

拆分，拆分是最好的解决办法，人工去拆吗？1900多页，估计得累死，那么对于Python来说，则非常简单，今天跟随我走入实战，一起学习PyPDF2模块，快速实现拆分，让你真正理解什么叫“人生苦短，我用Python”!

安装PyPDF2模块

这个模块严格区分大小写，y是小写，其余大写


pip3 install PyPDF2

安装完成之后呢，在本地硬盘创建一个专门存放本项目的文件夹，我这里在的存放路径是 F:\Python\PyPDF2，在F盘有个Python文件夹，在其中又创建了一个以这个模块命名的文件夹，来单独存放和与别的项目区分。

创建文件，准备PDF文档

Django官网下载了他的帮助文档，这个文档足够大，1900多页，对于练手绝对够了，有需要的去官网下载，然后再创建一个PDFCF.py 的项目文件。

万事俱备，准备开拆

程序开始两行，写上下边这两句，第一句的意思是指定这个文件的运行程序，第二句是对这个文件的说明，这个的作用现在还看不出来，但如果你知道怎么批量化快速执行程序，你就知道了它的作用，这里不做赘述。


#! python
# PDFCF.py - pdf文件拆分程序

文档的拆分思路

不固定拆分成多少份，但固定每一份由多少页组成，然后来动态的计算拆分的份数，拆分思路有了，那么下来就是列出计算公式。

拆分的份数= 文档总页数 / 拆份每个pdf组成的页数

举个例子：

假如我们要拆分一个总页数为35页的pdf文档，按照每10页组成一个新文档，那么能拆分成多少份的计算公式如下：
3.5 = 35 / 10

这时候大家注意了，除不尽有余数0.5，说明什么？用这个例子来说就是拆分成3份还余下5页，那么遇到这种情况不管余数是几都得向前进1，才能完成整个拆分，这个文档拆分的结果就是，前3个文档每个由10页组成，第四个文档则由最后5页组成，能整除则结果直接就是拆分的份数。

python拆分计算公式：


if 35 % 10:        # 判断是否有余数
    35 // 10 + 1   # 取余数整数部分加1
else:
    0              # 能整除则直接返回0
# 将这个循环写到一行
4 = 35 // 10 + 1 if 35 % 10 else 0

具体怎么拆？

还是以这个35页的文档拆分为例：
循环遍历每一页数据 for num in range(35)，得到每一页的数据，之后再指定拆分页数范围进行拆分：

第一个文档从0--10，不包含10

第二个文档从10--20 ，不包含20

第三个文档从 20 -30，不包含30

第四个文档从30--35，不包含35

我们发现规律，每次遍历第一个数字的规律是一个文档的页数，乘以自己属于第几个便可以得到。第二个数我们发现没规律了，其实仔细观察也有规律，假如我们对拆分个数排序，这个例子就是1--4，第二个数字就是当前属于第几个拆分数乘以每个文档组成的页数（页数是固定的10）。
可是我们第一次遍历的时候从0开始，就让num变得不通用，那么我们改造一下从1开始遍历，range(1,35),从一开始遍历，基于range不包含本身最后一个的特性，这样遍历出来就少了一页文档，那么我们给他加1，变成

for num in range(1, 35+1)

第一个文档从10*(1-1)--10*1，不包含10

第二个文档从10*(2-1)--10*2 ，不包含20

第三个文档从 10*(3-1) -10*3, 不包含30

第四个文档从10(4-1)--35

具体遍历代码如下：


for num in range(1,35+1):
    pass
    for i in range(10 * (num-1), 10 * num if num != 4 else 35):
        pass

注意：当遍历到 num = 4（最后一个文档排序数时），直接返回总页数35就可以了，到这里遍历就结束了。这里为什么是总页数35 而不是35+1呢？是因为此次遍历我们是从0开始遍历的，页码从0开始，所以不需要加1了。

完整拆分程序：


import PyPDF2
# 打开一个可读的pdf对象
pdfReader = PyPDF2.PdfFileReader('django.pdf')
# 获取pdf总页数
pdfnums = pdfReader.numPages
# 每个拆分文档由多少页组成
innumber = 100
# 计算拆分份数
outnums = pdfnums // innumber + 1 if pdfnums % innumber else 0
for num in range(1,pdfnums):
    # 创建空白的pdf
    pdfWriter = PyPDF2.PdfFileWriter()
    # 提取指定页面范围
    for pageNum in range(innumber * (num - 1), innumber * num if num != outnums else pdfnums):
        # 获取到每一页的内容
        pageObj = pdfReader.getPage(pageNum)
        # 将每一页的内容添加到第一次循环创建的空白文档对象中
        pdfWriter.addPage(pageObj)
    # 保存并写入本地文件，并对每个文档重命名
    with open('PDFREAD %s' % num + '.pdf', 'wb') as pdfOutputFile:
        pdfWriter.write(pdfOutputFile)

注意：上边这种拆分思路我个人感觉比较绕，如果你对Python列表的切边以及步长概念理解透彻的话，我觉得不需要这么复杂，只需要把总页码生成一个大列表，再把这个列表利用切片的方法拆分成多个小列表，之后每个拆分的pdf页码范围就是每个小列表第一个数--最后一个数+1，我把我用列表方法实现的代码也贴出来供大家参考。

列表拆分法实现拆分PDF


#! python
# PDFCF.py - pdf文件拆分程序
import PyPDF2
# import LISTCF
# 打开一个可读的pdf对象
pdfReader = PyPDF2.PdfFileReader('django.pdf')
# 获取pdf总页数
pdfnums = pdfReader.numPages
# 将总页码循环到一个列表中
pagenum_list = list(range(pdfnums))
n = 100
# 将总页码按照指定的个数分为多个小列表
page_list = [pagenum_list[i:i + n] for i in range(0, len(pagenum_list), n)]
for i in range(len(page_list)):
  # 创建一个空白的pdf
  pdfWriter = PyPDF2.PdfFileWriter()
  # 提取指定页面
  for pageNum in range(page_list[i][1], page_list[i][-1]+1):
    pageObj = pdfReader.getPage(pageNum)
    pdfWriter.addPage(pageObj)
  with open('PDFREAD %s' % i + '.pdf', 'wb') as pdfOutputFile:
    pdfWriter.write(pdfOutputFile)

怎么用？

在项目文件夹内部按住Shift键，点击鼠标右键，选择在此处打开命令窗口，输入PDFCF.py，回车即可，根据自己的需求去更改 n 的值。