Question

目前我正在考虑使用pyPdf进行一些PDF合并，但有时输入的顺序不正确，所以我正在考虑抓每页的页码以确定它应该进入的顺序（例如，如果有人将一本书分成20页10页PDF，我想将它们重新组合在一起）。

我有两个问题 - 1.）我知道有时页码会存储在某个地方的文档数据中，因为我已经看到在Adobe上呈现的PDF类似于[1243]（10 of 150），但我我已经将这类文件读入pyPDF，我找不到任何指示页码的信息 - 这是存储在哪里的？

2。）如果avenue＃1不可用，我想我可以遍历给定页面上的对象以尝试查找页码 - 可能是它自己的对象中有一个数字。但是，我似乎无法找到任何明确的方法来确定对象的内容。如果我跑：

pdf.getPage(0).getContents()

这通常会返回：

{'/Filter': '/FlateDecode'}

或它返回IndirectObject（num，num）对象的列表。我真的不知道如何处理其中任何一个，据我所知，它没有真正的文档。熟悉这种事情的人是否能指出我正确的方向？

Answer 1

以下对我有用：

from PyPDF2 import PdfFileReader
pdf = PdfFileReader(open('path/to/file.pdf','rb'))
pdf.getNumPages()

Answer 2

有关完整文档，请参阅Adobe的978页PDF Reference。： - ）

更具体地说，PDF文件包含指示PDF的物理页面如何映射到逻辑页码以及如何格式化页码的元数据。这是您获取规范结果的地方。示例2 of this page显示了这在PDF标记中的显示方式。你必须把它解决，解析它，然后自己进行映射。

在PyPDF中，要获取此信息，请尝试作为起点：

pdf.trailer["/Root"]["/PageLabels"]["/Nums"]

顺便提一下，当您看到IndirectObject实例时，可以调用其getObject()方法来检索指向的实际对象。

正如您所说，您的选择是检查文本对象并尝试确定哪个是页码。您可以使用页面对象的extractText()，但是您将获得一个字符串，并且必须尝试从中删除页码。（当然，页码可能是罗马字母或字母而不是数字，有些页面可能没有编号。）相反，看看extractText()实际上如何完成其工作 - 毕竟PyPDF是用Python编写的，毕竟 - 并将其用作例程的基础，该例程单独检查页面上的每个文本对象以查看它是否像页码一样。警惕那些有很多页码的TOC /索引页面！

Answer 3

善意的回答非常好。但是，由于稍后（由梦想家）请求工作代码示例，并且因为我今天遇到了同样的问题，所以我想添加一些注释。

pdf结构不统一;您可以依赖的东西相当少，因此任何工作代码示例都不太可能适用于所有人。可以找到一个非常好的解释in this answer。
正如所解释的那样，您很可能需要探索您正在处理的PDF格式。

像这样：

import sys
import PyPDF2 as pyPdf

"""Open your pdf"""
pdf = pyPdf.PdfFileReader(open(sys.argv[1], "rb"))

"""Explore the /PageLabels (if it exists)"""

try:
    page_label_type = pdf.trailer["/Root"]["/PageLabels"]
    print(page_label_type)
except:
    print("No /PageLabel object")

"""Select the item that is most likely to contain the information you desire; e.g.
       {'/Nums': [0, IndirectObject(42, 0)]}
   here, we only have "/Num". """

try:
    page_label_type = pdf.trailer["/Root"]["/PageLabels"]["/Nums"]
    print(page_label_type)
except:
    print("No /PageLabel object")

"""If you see a list, like
       [0, IndirectObject(42, 0)]
   get the correct item from it"""

try:
    page_label_type = pdf.trailer["/Root"]["/PageLabels"]["/Nums"][1]
    print(page_label_type)
except:
    print("No /PageLabel object")

"""If you then have an indirect object, like
       IndirectObject(42, 0)
   use getObject()"""

try:
    page_label_type = pdf.trailer["/Root"]["/PageLabels"]["/Nums"][1].getObject()
    print(page_label_type)
except:
    print("No /PageLabel object")

"""Now we have e.g.
       {'/S': '/r', '/St': 21}
   meaning roman numerals, starting with page 21, i.e. xxi. We can now also obtain the two variables directly."""

try:
    page_label_type = pdf.trailer["/Root"]["/PageLabels"]["/Nums"][1].getObject()["/S"]
    print(page_label_type)
    start_page = pdf.trailer["/Root"]["/PageLabels"]["/Nums"][1].getObject()["/St"]
    print(start_page)
except:
    print("No /PageLabel object")

从ISO pdf 1.7规范（相关部分here）可以看出，如何标记页面有很多可能性。作为一个简单的工作示例，请考虑此脚本至少处理十进制（阿拉伯语）和罗马数字：

脚本：

import sys
import PyPDF2 as pyPdf

def arabic_to_roman(arabic):
    roman = ''
    while arabic >= 1000:
      roman += 'm'
      arabic -= 1000
    diffs = [900, 500, 400, 300, 200, 100, 90, 50, 40, 30, 20, 10, 9, 5, 4, 3, 2, 1]
    digits = ['cm', 'd', 'cd', 'ccc', 'cc', 'c', 'xc', 'l', 'xl', 'xxx', 'xx', 'x', 'ix', 'v', 'iv', 'iii', 'ii', 'i']
    for i in range(len(diffs)):
      if arabic >= diffs[i]:
        roman += digits[i]
        arabic -= diffs[i]
    return(roman)

def get_page_labels(pdf):
    try:
        page_label_type = pdf.trailer["/Root"]["/PageLabels"]["/Nums"][1].getObject()["/S"]
    except:
        page_label_type = "/D"
    try:
        page_start = pdf.trailer["/Root"]["/PageLabels"]["/Nums"][1].getObject()["/St"]
    except:
        page_start = 1
    page_count = pdf.getNumPages()
    ##or, if you feel fancy, do:
    #page_count = pdf.trailer["/Root"]["/Pages"]["/Count"]
    page_stop = page_start + page_count 

    if page_label_type == "/D":
        page_numbers = list(range(page_start, page_stop))
        for i in range(len(page_numbers)):
            page_numbers[i] = str(page_numbers[i])
    elif page_label_type == '/r':
        page_numbers_arabic = range(page_start, page_stop)
        page_numbers = []
        for i in range(len(page_numbers_arabic)):
            page_numbers.append(arabic_to_roman(page_numbers_arabic[i]))

    print(page_label_type)
    print(page_start)
    print(page_count)
    print(page_numbers)

pdf = pyPdf.PdfFileReader(open(sys.argv[1], "rb"))
get_page_labels(pdf)

Answer 4

其他答案使用PyPDF / PyPDF2，它似乎读取整个文件。这对于大文件来说需要很长时间。

与此同时，我写了一些快速而又肮脏的东西，并不需要花费太长的时间。它执行shell调用，但我不知道有任何其他方法可以执行此操作。它可以非常快速地获得大约5000页的pdf页面。

它只需调用“pdfinfo”shell命令即可，所以它可能只适用于linux。到目前为止我只在ubuntu上测试过它。

我见过的一个奇怪的行为是，在try / except块中围绕这个行为不能捕获错误，除了subprocess.CalledProcessError之外你必须这样做。

from subprocess import check_output
def get_num_pages(pdf_path):
    output = check_output(["pdfinfo", pdf_path]).decode()
    pages_line = [line for line in output.splitlines() if "Pages:" in line][0]
    num_pages = int(pages_line.split(":")[1])
    return num_pages

Answer 5

另一个选择是pymupdf： https://pymupdf.readthedocs.io/en/latest/tutorial.html

import fitz

doc = fitz.open('Path To File')
doc.pageCount

pip install pymupdf

对于大型文档，使用pypdf2时出现递归错误，因此这是另一种快速简便的方法。

使用pyPDF从文档中检索页码

5 个答案: