在 Python 中搜索和替换 pdf 中的文本

Question

我正在编写邮件合并软件作为 Python 网络应用程序的一部分。

我有一个名为 letter.pdf 的模板，它是从 MS Word 文件生成的，其中包含居民姓名所在的文本 {name}。我也有一个 c 的列表。 100个居民的名字。

我想要做的是阅读letter.pdf 并搜索"{name}" 并将其替换为居民的姓名（对于每个居民），然后将结果写入另一个pdf。然后，我想将所有这些 pdf 文件收集在一起，而不是一个大的 pdf（每封信一页），我的网络应用程序的用户将打印出来以创建他们的信件。

是否有任何 Python 库可以做到这一点？我查看了 pdfrw 和 pdfminer，但我看不出他们能在哪里做到这一点。

（注意：我也有 MS Word 文件，所以如果有另一种不通过 pdf 的方式使用它，那也可以。）

Answer 1

这可以通过 PyPDF2 包来完成。实现可能取决于原始 PDF 模板结构。但是，如果模板足够稳定并且不经常更改，则替换代码不应该是通用的而是简单的。

我做了一个关于如何替换 PDF file 中的文本的小草图。它将所有出现的PDF 标记替换为DOC。

import os
import argparse
from PyPDF2 import PdfFileReader, PdfFileWriter
from PyPDF2.generic import DecodedStreamObject, EncodedStreamObject


def replace_text(content, replacements = dict()):
    lines = content.splitlines()

    result = ""
    in_text = False

    for line in lines:
        if line == "BT":
            in_text = True

        elif line == "ET":
            in_text = False

        elif in_text:
            cmd = line[-2:]
            if cmd.lower() == 'tj':
                replaced_line = line
                for k, v in replacements.items():
                    replaced_line = replaced_line.replace(k, v)
                result += replaced_line + "\n"
            else:
                result += line + "\n"
            continue

        result += line + "\n"

    return result


def process_data(object, replacements):
    data = object.getData()
    decoded_data = data.decode('utf-8')

    replaced_data = replace_text(decoded_data, replacements)

    encoded_data = replaced_data.encode('utf-8')
    if object.decodedSelf is not None:
        object.decodedSelf.setData(encoded_data)
    else:
        object.setData(encoded_data)


if __name__ == "__main__":
    ap = argparse.ArgumentParser()
    ap.add_argument("-i", "--input", required=True, help="path to PDF document")
    args = vars(ap.parse_args())

    in_file = args["input"]
    filename_base = in_file.replace(os.path.splitext(in_file)[1], "")

    # Provide replacements list that you need here
    replacements = { 'PDF': 'DOC'}

    pdf = PdfFileReader(in_file)
    writer = PdfFileWriter()

    for page_number in range(0, pdf.getNumPages()):

        page = pdf.getPage(page_number)
        contents = page.getContents()

        if isinstance(contents, DecodedStreamObject) or isinstance(contents, EncodedStreamObject):
            process_data(contents, replacements)
        elif len(contents) > 0:
            for obj in contents:
                if isinstance(obj, DecodedStreamObject) or isinstance(obj, EncodedStreamObject):
                    streamObj = obj.getObject()
                    process_data(streamObj, replacements)

        writer.addPage(page)

    with open(filename_base + ".result.pdf", 'wb') as out_file:
        writer.write(out_file)

结果是

2021-03-21 更新：

更新了代码示例以处理 DecodedStreamObject 和 EncodedStreamObject，它们实际上包含要更新的文本的数据流。

Answer 2

如果@Dmytrio 解决方案不改变最终的PDF

Dymitrio 的更新代码示例用于处理实际上包含要更新的文本的数据流的 DecodedStreamObject 和 EncodedStreamObject 可以正常运行，但使用与示例不同的文件，无法更改 pdf 文本内容。

根据编辑 3，来自How to replace text in a PDF using Python?：

通过在writer.addPage(page) 之前插入page[NameObject("/Contents")] = contents.decodedSelf，我们强制pyPDF2 更新页面对象的内容。

通过这种方式，我能够克服这个问题并替换 pdf 文件中的文本。

最终代码应如下所示：

import os
import argparse
from PyPDF2 import PdfFileReader, PdfFileWriter
from PyPDF2.generic import DecodedStreamObject, EncodedStreamObject, NameObject


def replace_text(content, replacements = dict()):
    lines = content.splitlines()

    result = ""
    in_text = False

    for line in lines:
        if line == "BT":
            in_text = True

        elif line == "ET":
            in_text = False

        elif in_text:
            cmd = line[-2:]
            if cmd.lower() == 'tj':
                replaced_line = line
                for k, v in replacements.items():
                    replaced_line = replaced_line.replace(k, v)
                result += replaced_line + "\n"
            else:
                result += line + "\n"
            continue

        result += line + "\n"

    return result


def process_data(object, replacements):
    data = object.getData()
    decoded_data = data.decode('utf-8')

    replaced_data = replace_text(decoded_data, replacements)

    encoded_data = replaced_data.encode('utf-8')
    if object.decodedSelf is not None:
        object.decodedSelf.setData(encoded_data)
    else:
        object.setData(encoded_data)


if __name__ == "__main__":
    ap = argparse.ArgumentParser()
    ap.add_argument("-i", "--input", required=True, help="path to PDF document")
    args = vars(ap.parse_args())

    in_file = args["input"]
    filename_base = in_file.replace(os.path.splitext(in_file)[1], "")

    # Provide replacements list that you need here
    replacements = { 'PDF': 'DOC'}

    pdf = PdfFileReader(in_file)
    writer = PdfFileWriter()

    for page_number in range(0, pdf.getNumPages()):

        page = pdf.getPage(page_number)
        contents = page.getContents()

        if isinstance(contents, DecodedStreamObject) or isinstance(contents, EncodedStreamObject):
            process_data(contents, replacements)
        elif len(contents) > 0:
            for obj in contents:
                if isinstance(obj, DecodedStreamObject) or isinstance(obj, EncodedStreamObject):
                    streamObj = obj.getObject()
                    process_data(streamObj, replacements)

        # Force content replacement
        page[NameObject("/Contents")] = contents.decodedSelf
        writer.addPage(page)

    with open(filename_base + ".result.pdf", 'wb') as out_file:
        writer.write(out_file)

重要提示： from PyPDF2.generic import NameObject

Answer 3

1. 解压pdf，让解析更容易（解决了上一个答案中的很多问题）。我使用pdftk。 （如果此步骤失败，预处理 pdf 的一个技巧是在 OSX Preview 中打开 pdf，打印它，然后从打印菜单中选择另存为 pdf。然后重试下面的命令。）

pdftk original.pdf output uncompressed.pdf uncompress

1. 使用PyPDF2解析和替换。

from PyPDF2 import PdfFileReader, PdfFileWriter

replacements = [
    ("old string", "new string")
]

pdf = PdfFileReader(open("uncompressed.pdf", "rb"))
writer = PdfFileWriter() 

for page in pdf.pages:
    contents = page.getContents().getData()
    for (a,b) in replacements:
        contents = contents.replace(a.encode('utf-8'), b.encode('utf-8'))
    page.getContents().setData(contents)
    writer.addPage(page)
    
with open("modified.pdf", "wb") as f:
     writer.write(f)

1. [可选] 重新压缩 pdf。

pdftk modified.pdf output recompressed.pdf compress