PyPDF2 库，用于在 Python 中处理 PDF 文件

说实话，我最早接触 PyPDF2 不是因为要写什么自动化脚本，而是有一次加班，领导发来十几个合同的 PDF，让我从里面把客户名和合同号抠出来。我一开始手动一个个打开复制，做到第三个文件整个人都麻了。后来我想，Python 不是万能的吗？查了下，还真有个专门处理 PDF 的库——PyPDF2。

先来点简单的，怎么读 PDF

用 PyPDF2 读 PDF 真不复杂。你只要记住它的主角是 PdfReader，然后你可以像访问数组一样去拿页面。比如下面这样：

from PyPDF2 import PdfReader
reader = PdfReader("contract.pdf")
print("总页数：", len(reader.pages))
first_page = reader.pages[0]
print(first_page.extract_text())

它的 extract_text() 就是用来提取文字的，不过这里要提醒一句——并不是所有 PDF 都能完美提取。有些 PDF 其实是图片格式的文本（比如扫描件），PyPDF2 就爱莫能助了，那种要用 OCR 库（比如 pytesseract）。

我那次提合同号的时候就遇到这种情况，提出来一堆乱码。后来发现那几份是扫描件，我只好用别的库配合处理。

合并多个 PDF？一句话搞定

这功能特别常用，比如你要把几份报告、发票合成一个文件发给别人。PyPDF2 的 PdfMerger 可以轻松搞定：

from PyPDF2 import PdfMerger
merger = PdfMerger()
merger.append("page1.pdf")
merger.append("page2.pdf")
merger.append("page3.pdf")
merger.write("merged.pdf")
merger.close()

甚至你可以用通配符动态添加多个文件，配合 glob 模块一起用，非常方便：

import glob
from PyPDF2 import PdfMerger
merger = PdfMerger()
for pdf in glob.glob("reports/*.pdf"):
    merger.append(pdf)
merger.write("all_reports.pdf")
merger.close()

我当时就是这么把十几份合同一口气合成一个文件，爽到飞起。

拆分 PDF 也很实用

有时候正好反过来，比如你只想把一个 100 页的文档拆成几页单独保存。用 PyPDF2 的 PdfWriter 就行：

from PyPDF2 import PdfReader, PdfWriter
reader = PdfReader("big_report.pdf")
writer = PdfWriter()
for i in range(5, 10):  # 取第6到第10页
    writer.add_page(reader.pages[i])
with open("part.pdf", "wb") as f:
    writer.write(f)

其实它的底层逻辑挺简单，就是按页复制。你也可以用它来做更细的操作，比如把每一页另存为单独的文件。

加密和解密 PDF

有些公司文件传来都是加密的，不输入密码就打不开。PyPDF2 也能帮你处理，不过得注意——它不能暴力破解密码，只能在你知道密码的情况下操作。

from PyPDF2 import PdfReader, PdfWriter
reader = PdfReader("secret.pdf")
reader.decrypt("123456")
writer = PdfWriter()
for page in reader.pages:
    writer.add_page(page)
with open("unlocked.pdf", "wb") as f:
    writer.write(f)

当然，它也可以帮你给文件加密：

from PyPDF2 import PdfWriter
writer = PdfWriter()
writer.add_blank_page(width=200, height=300)
writer.encrypt("mypassword")
with open("protected.pdf", "wb") as f:
    writer.write(f)

这种加密在传输合同或机密文件时还是挺有用的。

提取元信息，比如标题和作者

有些 PDF 文件带有元信息（metadata），比如谁创建的、标题是什么、用什么软件导出的。PyPDF2 也能直接读：

reader = PdfReader("document.pdf")
info = reader.metadata
print(info.title)
print(info.author)

我有次统计内部报告来源，光靠这玩意就把谁用 Word 谁用 WPS 一目了然。

一点小坑

要注意几个常见的坑：

1. 非文本 PDF（比如扫描件）提取不了文字；
2. 复杂排版的 PDF（多栏、表格）提取文字会乱；
3. PyPDF2 目前不支持修改已有 PDF，只能读、拆、合、加密；
4. 如果文件太大或太多，合并时容易卡，建议分批处理。

其实 PyPDF2 算是入门级的 PDF 工具，功能够用但不算最强。如果要更复杂的，比如编辑内容、添加水印、生成表单，可以看看 reportlab 或 pdfplumber。但说句实话，能用 PyPDF2 自动处理重复性 PDF 工作，就已经能帮你省不少时间了。

我后来每次碰到要整理一堆文件的任务，都先想一遍——这玩意能不能用 Python 搞定？通常答案是：能。