python: PyPDF2

今天介绍一个可以处理pdf的python包：PyPDF2。

进入正题之间先来了解一下pdf文件格式。pdf是Portable Document Format的简称，也就是便携式文档格式，由Adobe公司推出。pdf文件格式可以简单表示如下：

Objects：pdf文档由于data object的集合组合。File structure决定了objects在pdf中以怎样的方式存储。Document structure是pdf文档的组织结构。Content stream也就是我们看到的数据，比如文字、图像什么的，一般是压缩的，常见的压缩方式有zip等。其中document structure如下图所示。

有了这些信息我们就可以处理pdf文档了。PyPDF2是PyPDF的升级版，github主页在此github。clone到本地，用setup就可以安装了。

python setup.py install

项目主页里已经提供了很多示例代码，很简单，比如多个pdf文件合并。

from PyPDF2 import PdfFileMerger

merger = PdfFileMerger()

input1 = open("document1.pdf", "rb")
input2 = open("document2.pdf", "rb")
input3 = open("document3.pdf", "rb")

# add the first 3 pages of input1 document to output
merger.append(fileobj = input1, pages = (0,3))

# insert the first page of input2 into the output beginning after the second page
merger.merge(position = 2, fileobj = input2, pages = (0,1))

# append entire input3 document to the end of the output document
merger.append(input3)

# Write to an output PDF document
output = open("document-output.pdf", "wb")
merger.write(output)