批量截取pdf文件

摘要：能获取页面中文本的准确位置，以及字体或行等其他信息。安装修改的源码利用截取中的某几页，如果的中文字编码为编码，则无法解析。在简体中文操作系统中，编码代表编码。其一在文件中第行，改为此处是为了适应含有的编码的中文字符，提供对其的解码能力。

现在我们有大量的pdf文件，我们想要截取每个文件中感兴趣的一部分，比如，我们下载了3500份上市公司的年度报告，我们想要找到包含“关键审计事项”部分内容，将pdf相关页保存为新的pdf文件。
python环境：

anaconda3
pdfminer3k
pypdf2

PDFMiner是一个从PDF文档中提取信息的工具。与其他PDF相关的工具不同，它只用于获取和分析文本数据。PDFMiner能获取页面中文本的准确位置，以及字体或行等其他信息。它还有一个PDF转换器，可以将PDF文件转换成其他文本格式(如HTML)。还有一个可扩展的解析器PDF，可以用于文本分析以外的其他用途。

安装pdfminer3k

pip install pdfminder3k

解析pdf，匹配关键字，返回其所在页码

参考

from pdfminer.pdfparser import PDFParser, PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LTTextBoxHorizontal, LAParams
from pdfminer.pdfinterp import PDFTextExtractionNotAllowed

path =  r"./report/603999读者传媒2017年年度报告.pdf"

def  parse(path):
    """
    #解析pdf文件，并将文字内容更保存在文本中
    返回“关键字”所在的页码
    """
    fp =  open(path, "rb") # 以二进制读模式打开
    # 用文件对象来创建一个pdf文档分析器
    praser = PDFParser(fp)
    # 创建一个PDF文档
    doc = PDFDocument()
    # 连接分析器 与文档对象
    praser.set_document(doc)
    doc.set_parser(praser)
    # 提供初始化密码
    # 如果没有密码 就创建一个空的字符串
    doc.initialize()
    # 检测文档是否提供txt转换，不提供就忽略
    if  not doc.is_extractable:
        raise PDFTextExtractionNotAllowed
    else:
        # 创建PDf 资源管理器 来管理共享资源
        rsrcmgr = PDFResourceManager()
        # 创建一个PDF设备对象
        laparams = LAParams()
        device = PDFPageAggregator(rsrcmgr, laparams=laparams)
        # 创建一个PDF解释器对象
        interpreter = PDFPageInterpreter(rsrcmgr, device)
        # 循环遍历列表，每次处理一个page的内容
        page_num=0
        key_flag=False
        for page in doc.get_pages(): # doc.get_pages() 获取page列表
            if key_flag: #如果找到第一个关键字，则退出解析
                break
            page_num=page_num+1
            interpreter.process_page(page)
            # 接受该页面的LTPage对象
            layout = device.get_result()
            # 这里layout是一个LTPage对象 里面存放着 这个page解析出的各种对象 一般包括LTTextBox, LTFigure, LTImage, LTTextBoxHorizontal 等等 想要获取文本就获得对象的text属性，
            for x in layout:
                if (isinstance(x, LTTextBoxHorizontal)):
                    results = x.get_text()
                    if  "关键审计事项"  in results: # 匹配到关键字，则退出该页的循环
                        key_flag=True
                        break
        return page_num

PyPDF2是一个python PDF库，能够分割、合并、裁剪和转换PDF文件的页面。它还可以向PDF文件中添加自定义数据、查看选项和密码。它可以从PDF检索文本和元数据，还可以将整个文件合并在一起。

安装pypdf2：

pip install pypdf2

修改pypdf2的源码

利用pypdf2截取pdf中的某几页，如果pdf的中文字编码为ANSI编码，则无法解析。对于pypdf2对于gbk不支持的现象，需要对以下两处进行修改。参考

tips:
ANSI是一种字符代码，为使计算机支持更多语言。ANSI编码表示英文字符时用一个字节，表示中文用两个或四个字节。在简体中文Windows操作系统中，ANSI 编码代表 GBK 编码。
GBK是在国家标准GB2312基础上扩容后兼容GB2312的标准。

其一：
在文件*Miniconda3libsite-packagesPyPDF2generic.py"中第488行，改为
此处是为了适应含有‘gbk’的编码的中文字符，提供对其的解码能力。

try:
    return NameObject(name.decode("utf-8"))
except (UnicodeEncodeError, UnicodeDecodeError) as e:
    # Name objects should represent irregular     characters
    # with a "#" followed by the symbol"s hex number
    ret=name.decode("gbk")
    return NameObject(ret)

其二：
在文件*Miniconda3libsite-packagesPyPDF2utils.py中，第238-241行，改为：
此处是为了适应‘utf-8’的编码情况；

try:
    r = s.encode("latin-1")
    if len(s) < 2:
        bc[s] = r
    return r
except Exception as e:
    print(s)
    r = s.encode("utf-8")
    if len(s) < 2:
        bc[s] = r
    return r

截取pdf特定页

from PyPDF2 import PdfFileWriter, PdfFileReader
def  pdfCrap(path,start_page,save_path):
    """
    从pdf文件中截取几页，并保存在对应pdf文件中
    """
    # 开始页
    start_page = start_page - 1
    # 截止页
    end_page = start_page +  5  # 这里设定截取5页
    output = PdfFileWriter()
    pdf_file = PdfFileReader(open(path, "rb"), strict=False)
    pdf_pages_len = pdf_file.getNumPages()
    for i  in  range(start_page, end_page):
        output.addPage(pdf_file.getPage(i)) # 在输出流中添加页
    outputStream =  open(save_path, "wb")
    output.write(outputStream)

以上已经可以实现对单一pdf文件的解析以及提取特定页了，剩下的就是将整个流程串联起来，实现批量pdf文件的截取。

import os
def  file_name(file_dir):
    """
    获取某文件夹下，特定扩展名的文件名，
    返回特定扩展名文件列表
    """
    L=[]
    for root, dirs, files in os.walk(file_dir):
        for  file  in files:
            if os.path.splitext(file)[1] ==  ".pdf": #os.path.splitext()函数将路径拆分为文件名+扩展名
            L.append(file)
    return L

现在，我们已经能够进行批量pdf文件的裁剪了，但在实际操作中，会发生许多意外，使得程序被中断，为了避免中断影响批处理的进程，现在添加异常处理功能。

file_path =  "./report/"  # 输入文件所在的文件夹
result_path =  "./result/"  # 输出文件所在文件夹
def  getAll():
    """
    批量裁剪pdf文件，添加程序log，记录文件名，关键字起始页码，并且对异常情况进行记录；
    """
    files=file_name(file_path)
    for  file  in  files:
        try:
            path = file_path +  file
            page=parse(path)
            save_path=result_path+file
            pdfCrap(path,page,save_path)
            if page==0: #如果识别出起始页码为0，说明关键字未被找到，需要记录。
                raise  Exception("page_num=0")
            with  open(r"./log.txt", "a", encoding="utf-8") as f:
            f.write(file+" start_page: "+str(page)+"
")
        except  Exception  as  e: # 捕获错误
            print("error: ", e)
            with  open(r"./error_log.txt", "a", encoding="utf-8") as f:
            f.write(file+" start_page: "+str(page)+"
")
            continue