给纯小白的Python操作 PDF 笔记

一、文件基础

1. 打开与关闭

   • 推荐用 with open(path, mode, encoding='utf-8') as f:，自动完成 close()，避免泄露文件句柄。
   • 常见模式：'r' 读，'w' 写覆盖，'a' 追加，'rb'/'wb' 二进制。
   • Windows 默认编码为 GBK，Linux/Mac 为 UTF-8；跨平台脚本务必显式指定 encoding。

2. 文本读写

   • f.read() 一次读全部；f.readline() 逐行；f.readlines() 得列表。
   • 追加写入：with open('test.txt','a',encoding='utf-8') as f: f.write('xxx')。

3. 路径与编码错误

   • 绝对路径：C:/Users/...（正斜杠或双反斜杠）。
   • 相对路径：以脚本所在目录为基准，可用 os.path.join() 拼接。
   • 遇到 UnicodeDecodeError 时，尝试 encoding='utf-8-sig' 或 'gbk'。

二、PDF 处理（PyPDF2 + pdfplumber 组合拳）

1. 环境准备

   pip install PyPDF2 pdfplumber pandas -i https://pypi.tuna.tsinghua.edu.cn/simple

2. 读取文字

   import pdfplumber
   with pdfplumber.open('demo.pdf') as pdf:
       for page in pdf.pages:
           print(page.extract_text())

3. 读取表格

   all_tables = []
   with pdfplumber.open('demo.pdf') as pdf:
       for p in pdf.pages:
           for table in p.extract_tables():
               all_tables.extend([row for row in table if any(row)])
   df = pd.DataFrame(all_tables)
   df.to_excel('pdf_table.xlsx', index=False, header=False)

4. 合并 PDF（PyPDF2）

   from PyPDF2 import PdfMerger
   merger = PdfMerger()
   for pdf in ['1.pdf', '2.pdf']:
       merger.append(pdf)
   merger.write('merged.pdf')
   merger.close()

5. 添加水印（注意层级顺序）

   from PyPDF2 import PdfFileReader, PdfFileWriter

   base = PdfFileReader('src.pdf')
   watermark = PdfFileReader('water.pdf').getPage(0)
   writer = PdfFileWriter()

   for i in range(base.getNumPages()):
       page = base.getPage(i)
       # 先底层内容，后水印；若水印被文字遮挡，可调整水印透明度或在生成水印 PDF 时放到底层
       page.mergePage(watermark)   # mergePage 会把两页叠加，watermark 在上层
       writer.addPage(page)

   with open('res_watermarked.pdf', 'wb') as f:
       writer.write(f)

课堂踩坑：水印盖字 → 在水印 PDF 里把文字透明度降低或置底后再合并。

6. Word → PDF（Windows 专用，pypiwin32）

   import win32com.client as win32
   word = win32.Dispatch('Word.Application')
   doc = word.Documents.Open(r'C:\abs\path\template.docx')
   doc.ExportAsFixedFormat('template.pdf', 17)  # 17=pdf
   doc.Close(); word.Quit()

三、实战小结

• 文件操作牢记 with+encoding；PDF 处理分清 pdfplumber（读取）与 PyPDF2（编辑）。
• 合并、加水印前先用小文件调试，避免一次性加载大 PDF 导致内存爆炸。
• 路径/编码问题优先排查打印 os.getcwd() 与显式 encoding。