使用Python从PDF中提取页面大小

Question

我想读取一个PDF文件，并获取每一页的页面列表和每页的大小。 我不需要对其进行任何操作，只需要读取它。

目前正在尝试使用pyPdf，在获取页面大小方面它可以满足我所有需求，但是要了解pdf文档中的页面大小可能会有所不同，因此可能需要迭代。 有没有其他库/方法可以使用？

我尝试过使用PIL，一些在线教程甚至有使用d=Image（imagefilename）的用法，但它从来没有读取过我的PDF文件-它可以读取我投入的其他所有东西-甚至一些我不知道PIL可以做到的事情。

欢迎任何指导-我使用的是Windows 7 64位，python25（因为我也使用GAE），但我很乐意在Linux或更现代的Python版本中进行操作。

- Bif

---

PIL不支持PDF（很可能永远也不会支持），因为它们是一种非常复杂的矢量图形。PIL专注于栅格图像。处理PDF是专门库（如pikepdf或pymupdf）的任务。 - mara004

Answer 1

这可以通过 pypdf 完成：

>>> from pypdf import PdfReader
>>> reader = PdfReader('example.pdf')
>>> box = reader.pages[0].mediabox
>>> box
RectangleObject([0, 0, 612, 792])
>>> box.width
Decimal('612')
>>> box.height
Decimal('792')

（之前称为pyPdf / PyPDF2）

- Josh Lee

---

这样使用input1 = PdfFileReader(file('example.pdf', 'rb'))对我来说是有效的。 - bluerubez

对我不起作用；我得到了TypeError：'str'对象不能作为错误调用。 - Tensigh

坐标值被称为点，其中默认情况下1个点相当于1/72英寸。然而，每个页面都可以定义自定义的用户单位(UserUnit)，它是一个因子，用于缩放所有坐标。 - mara004

点单位是什么？它是像素吗？还是其他的度量单位？ - alexW

PyPDF2同样可用，导入库的代码为"from PyPDF2 import PdfReader"，其余与上述相同。 - Harry

Answer 2

2023-08-30更新：提供示例pdf，添加裁剪框。

2021-07-22更新：原始答案并不总是正确的，因此我更新了我的答案。

使用PyMuPDF：

>>> import fitz
>>> doc = fitz.open("example.pdf")
>>> page = doc[0]
>>> print(page.rect.width, page.rect.height)
284.0 473.0
>>> print(page.mediabox.width, page.mediabox.height)
595.304 841.89
>>> print(page.cropbox.width, page.cropbox.height)
473.0 284.0

mediabox、cropbox和rect的返回值类型为Rect，它们具有"width"和"height"属性。对于大多数人来说，rect可能是最有用的。

这三个值在大多数情况下是相同的，但偶尔它们可能非常不同：cropbox和rect是页面的可见区域（从常规pdf查看器中看到的内容），而mediabox是物理介质。

cropbox和rect之间的一个区别是，cropbox与文档中的/CropBox相同，并且在页面旋转时不会改变。然而，rect会受到旋转的影响。有关PyMuPDF中不同框的更多信息，请阅读术语表。还可以参考PDF文档 14.11.2.1。

可以在此处下载示例pdf链接。

- cges30901

---

你可以用doc[0]来代替 doc.loadPage(0) ，两者是等价的 :-) - Martin Thoma

这是最快速的封装库，用于读取PDF文件。 - am.rez

如果页面没有旋转，那么如果页面被旋转了呢？MediaBox中的宽度/高度顺序是否会改变？ - rain01

@rain01 顺序不变，但当页面旋转90或270度时，列中的像素数实际上是实际宽度，而行中的像素数是实际高度。 - cges30901

非常感谢。提供了一个很好的例子。 - Pogger

Answer 3

使用pdfrw：

>>> from pdfrw import PdfReader
>>> pdf = PdfReader('example.pdf')
>>> pdf.pages[0].MediaBox
['0', '0', '595.2756', '841.8898']

长度以点表示（1 pt = 1/72 英寸）。格式为 [x0, y0, x1, y1]（感谢，mara004！）。

- Jamy Mahabier

---

除非页面包含一个 UserUnit 条目可以用来改变单位，否则长度以点为单位给出。这个选项通常很少使用。 - mkl

我尝试过这个方法，但有时无法提取信息，而 PyMuPDF（cges30901的答案）始终表现良好。原因是 pdfrw 有时无法从 pdf 文件中提取“/MediaBox”键（很奇怪）。 - Dzhuang

这是错误的。格式应该是[x0，y0，x1，y1]。它不一定要以0开始。 - mara004

Answer 4

使用pikepdf:

import pikepdf

# open the file and select the first page
pdf = pikepdf.Pdf.open("/path/to/file.pdf")
page = pdf.pages[0]

if '/CropBox' in page:
    # use CropBox if defined since that's what the PDF viewer would usually display
    relevant_box = page.CropBox
elif '/MediaBox' in page:
    relevant_box = page.MediaBox
else:
    # fall back to ANSI A (US Letter) if neither CropBox nor MediaBox are defined
    # unlikely, but possible
    relevant_box = [0, 0, 612, 792]

# actually there could also be a viewer preference ViewArea or ViewClip in
# pdf.Root.ViewerPreferences defining which box to use, but most PDF readers 
# disregard this option anyway

# check whether the page defines a UserUnit
userunit = 1
if '/UserUnit' in page:
    userunit = float(page.UserUnit)

# convert the box coordinates to float and multiply with the UserUnit
relevant_box = [float(x)*userunit for x in relevant_box]

# obtain the dimensions of the box
width  = abs(relevant_box[2] - relevant_box[0])
height = abs(relevant_box[3] - relevant_box[1])

rotation = 0
if '/Rotate' in page:
    rotation = page.Rotate

# if the page is rotated clockwise or counter-clockwise, swap width and height
# (pdf rotation modifies the coordinate system, so the box always refers to 
# the non-rotated page)
if (rotation // 90) % 2 != 0:
    width, height = height, width

# now you have width and height in points
# 1 point is equivalent to 1/72in (1in -> 2.54cm)

- mara004

Answer 5

对于pdfminer的Python 3.x版本（pdfminer.six）（未在Python 2.7上尝试）：

parser = PDFParser(open(pdfPath, 'rb'))
doc = PDFDocument(parser)
pageSizesList = []
for page in PDFPage.create_pages(doc):
    print(page.mediabox) # <- the media box that is the page size as list of 4 integers x0 y0 x1 y1
    pageSizesList.append(page.mediabox) # <- appending sizes to this list. eventually the pageSizesList will contain list of list corresponding to sizes of each page

- Myonaiz

---

对我也有效。你知道“mediabox”和“cropbox”的区别吗？ - ferdynator

简而言之，mediabox 是整个页面的大小，包括白色边距。cropbox 是页面的大小加上应用程序用于执行任何功能的任何区域。请查看 https://wiki.scribus.net/canvas/PDF_Boxes_:_mediabox,_cropbox,_bleedbox,_trimbox,_artbox。 - Myonaiz

如果定义了裁剪框，则PDF查看器通常会显示页面的该部分。 - mara004

Answer 6

免责声明：本答案中使用的库borb是由我编写的。

#!chapter_005/src/snippet_002.py
import typing
from borb.pdf import Document
from borb.pdf import PDF


def main():

    # read the Document
    doc: typing.Optional[Document] = None
    with open("output.pdf", "rb") as in_file_handle:
        doc = PDF.loads(in_file_handle)

    # check whether we have read a Document
    assert doc is not None

    # get the width/height
    w = doc.get_page(0).get_page_info().get_width()
    h = doc.get_page(0).get_page_info().get_height()

    # do something with these dimensions
    # TODO

if __name__ == "__main__":
    main()

我们通过使用 PDF.loads 加载 PDF 来开始编写代码。 然后我们获取一个 Page（您可以更改此代码以打印每个 Page 的尺寸，而不仅仅是 Page 0）。 从那个 Page 中，我们获取包含宽度和高度的 PageInfo。

您可以使用 pip 安装 borb：

pip install borb

你也可以从源代码 这里 下载它。

如果你需要更多的例子，可以查看 示例库。

- Joris Schellekens

---

请问您的库中的宽度和高度是以哪种单位来表示的？ - undefined

点数。默认情况下，每英寸有72个点。 - undefined

你们的图书馆如何处理非默认的PPI？有没有PDFDocument.get_ppi()函数？ - undefined

没有这样的功能。但请记住，borb会将PDF文档转换为类似JSON的数据结构。因此，如果你知道在哪里查找（通过查看规范，可以在存储库中找到），你可以简单地执行类似doc['Info']['Props']['ppi']的操作（请记住，这是一个虚构的路径）。 - undefined

Answer 7

使用pypdfium2：

import pypdfium2 as pdfium

PAGEINDEX = 0  # the first page
FILEPATH = "/path/to/file.pdf"
pdf = pdfium.PdfDocument(FILEPATH)

# option 1
width, height = pdf.get_page_size(PAGEINDEX)

# option 2
page = pdf[PAGEINDEX]
width, height = page.get_size()

# len(pdf) provides the number of pages, so you can iterate through the document

免责声明：我是维护者。

- mara004

Answer 8

另一种方法是使用popplerqt4

doc = popplerqt4.Poppler.Document.load('/path/to/my.pdf')
qsizedoc = doc.page(0).pageSize()
h = qsizedoc.height() # given in pt,  1pt = 1/72 in
w = qsizedoc.width() 

- Alexander Marin

---

Poppler目前不考虑UserUnit，因此将返回值转换为1->1/72in可能并不总是返回正确的大小。 - mara004

Answer 9

适用于 Python 3.9 和库 PyPDF2 的正确代码：

from PyPDF2 import PdfFileReader

reader = PdfFileReader('C:\\MyFolder\\111.pdf')
box = reader.pages[0].mediaBox
print(box.getWidth())
print(box.getHeight())

对于所有页面：

from PyPDF2 import PdfFileReader

reader = PdfFileReader('C:\\MyFolder\\111.pdf')

i = 0
for p in reader.pages:
    box = p.mediaBox
    print(f"i:{i}   page:{i+1}   Width = {box.getWidth()}   Height = {box.getHeight()}")
    i=i+1
    
input("Press Enter to continue...")

- Leo S

---

2023年更新：PyPDF2已经合并回pypdf。请使用pypdf。PyPDF2已被弃用。 - Martin Thoma