我想编写一个小脚本(将运行在无头Linux服务器上),它可以读取PDF,突出显示与我传递的字符串数组中的任何内容匹配的文本,然后保存修改后的PDF。 我想最终会使用类似poppler的python绑定这样的工具,但不幸的是几乎没有文档,并且我在python方面几乎没有经验。
如果有人能够向我指引一些教程、示例或其他有用的文档,让我入门,我将不胜感激!
如果有人能够向我指引一些教程、示例或其他有用的文档,让我入门,我将不胜感激!
是的,可以通过pdfminer (pip install pdfminer.six
)和PyPDF2
的组合来实现。
首先,找到坐标(例如像这样)。 然后将其高亮:
#!/usr/bin/env python
"""Create sample highlight in a PDF file."""
from PyPDF2 import PdfFileWriter, PdfFileReader
from PyPDF2.generic import (
DictionaryObject,
NumberObject,
FloatObject,
NameObject,
TextStringObject,
ArrayObject
)
def create_highlight(x1, y1, x2, y2, meta, color=[0, 1, 0]):
"""
Create a highlight for a PDF.
Parameters
----------
x1, y1 : float
bottom left corner
x2, y2 : float
top right corner
meta : dict
keys are "author" and "contents"
color : iterable
Three elements, (r,g,b)
"""
new_highlight = DictionaryObject()
new_highlight.update({
NameObject("/F"): NumberObject(4),
NameObject("/Type"): NameObject("/Annot"),
NameObject("/Subtype"): NameObject("/Highlight"),
NameObject("/T"): TextStringObject(meta["author"]),
NameObject("/Contents"): TextStringObject(meta["contents"]),
NameObject("/C"): ArrayObject([FloatObject(c) for c in color]),
NameObject("/Rect"): ArrayObject([
FloatObject(x1),
FloatObject(y1),
FloatObject(x2),
FloatObject(y2)
]),
NameObject("/QuadPoints"): ArrayObject([
FloatObject(x1),
FloatObject(y2),
FloatObject(x2),
FloatObject(y2),
FloatObject(x1),
FloatObject(y1),
FloatObject(x2),
FloatObject(y1)
]),
})
return new_highlight
def add_highlight_to_page(highlight, page, output):
"""
Add a highlight to a PDF page.
Parameters
----------
highlight : Highlight object
page : PDF page object
output : PdfFileWriter object
"""
highlight_ref = output._addObject(highlight)
if "/Annots" in page:
page[NameObject("/Annots")].append(highlight_ref)
else:
page[NameObject("/Annots")] = ArrayObject([highlight_ref])
def main():
pdf_input = PdfFileReader(open("samples/test3.pdf", "rb"))
pdf_output = PdfFileWriter()
page1 = pdf_input.getPage(0)
highlight = create_highlight(89.9206, 573.1283, 376.849, 591.3563, {
"author": "John Doe",
"contents": "Lorem ipsum"
})
add_highlight_to_page(highlight, page1, pdf_output)
pdf_output.addPage(page1)
output_stream = open("output.pdf", "wb")
pdf_output.write(output_stream)
if __name__ == '__main__':
main()
PDFlib有Python绑定并支持这些操作。如果要打开PDF,则需要使用PDI。http://www.pdflib.com/products/pdflib-family/pdflib-pdi/和TET。
不幸的是,它是商业产品。我过去在生产中使用过这个库,它非常好用。绑定非常实用,但不太符合Python风格。我看到了一些尝试使它们更具Python风格的努力:https://github.com/alexhayes/pythonic-pdflib您需要使用:open_pdi_document()。
听起来您想要进行某种搜索高亮显示:
http://www.pdflib.com/tet-cookbook/tet-and-pdflib/highlight-search-terms/