PDF作为办公场景中最常见的文档格式，其处理需求在日常开发中屡见不鲜。本文将通过PyPDF2这个轻量级Python库，带你解锁PDF处理的完整技能树。不同于网络上的碎片化教程，我们将从实战角度剖析每个功能的实现细节和避坑指南。

一、环境准备与基础概念

安装PyPDF2只需一行命令：
bash pip install PyPDF2

核心类解析：
- PdfReader：读取PDF内容（替代旧版的PdfFileReader）
- PdfWriter：创建新的PDF文件（替代旧版的PdfFileWriter）
- PdfMerger：多文件合并工具

python from PyPDF2 import PdfReader, PdfWriter, PdfMerger

二、6大核心操作详解

1. 文本内容提取

python def extract_text(pdf_path): reader = PdfReader(pdf_path) text = "" for page in reader.pages: text += page.extract_text() + "\n" return text
注意：某些扫描版PDF需配合OCR技术

2. 多PDF合并

python def merge_pdfs(output_path, *input_paths): merger = PdfMerger() for path in input_paths: merger.append(path) merger.write(output_path) merger.close()

3. 页面拆分与重组

python def split_pdf(input_path, output_path, start_page, end_page): reader = PdfReader(input_path) writer = PdfWriter() for i in range(start_page-1, end_page): writer.add_page(reader.pages[i]) with open(output_path, "wb") as f: writer.write(f)

4. 页面旋转加密

python
def rotateandencrypt(inputpath, outputpath,
degrees=90, password="123456"):
reader = PdfReader(input_path)
writer = PdfWriter()

for page in reader.pages:
    page.rotate(degrees)
    writer.add_page(page)

writer.encrypt(user_password=password)
with open(output_path, "wb") as f:
    writer.write(f)

5. 元数据操作

python
def updatemetadata(inputpath, outputpath, newmetadata):
reader = PdfReader(input_path)
writer = PdfWriter()

for page in reader.pages:
    writer.add_page(page)

writer.add_metadata(new_metadata)
with open(output_path, "wb") as f:
    writer.write(f)

6. 表单域处理（专业版）

python def get_form_fields(pdf_path): reader = PdfReader(pdf_path) if "/AcroForm" in reader.trailer["/Root"]: return reader.get_fields() return None

三、高级技巧与性能优化

1. 大文件处理策略
- 使用PdfMerger的append方法时设置import_bookmarks=False提升速度
- 对于超100页的PDF，建议分块处理

2. 常见异常处理
python try: reader = PdfReader("corrupted.pdf") except PyPDF2.PdfReadError as e: print(f"文件损坏: {str(e)}") # 尝试修复逻辑...

3. 与其他库的协作
- 配合reportlab生成PDF
- 使用pdfminer增强文本提取
- 结合pillow处理图像型PDF

四、实战案例：自动化报表系统

python
class PDFAutomator:
def init(self):
self.watermark = PdfReader("watermark.pdf").pages[0]

def generate_report(self, data, output_path):
    writer = PdfWriter()
    # 添加封面页
    writer.add_page(self._create_cover(data))
    # 添加数据页
    for item in data:
        page = self._create_data_page(item)
        page.merge_page(self.watermark)
        writer.add_page(page)
    # 添加目录页
    writer.add_page(self._create_toc())
    writer.write(output_path)

五、PyPDF2的局限性

1. 不支持修改现有PDF文本内容（需考虑pdfrw等替代方案）
2. 图像处理能力有限
3. 复杂表格解析效果不佳

建议组合方案：
- 文本提取：PyPDF2 + pdfminer
- 表格处理：camelot + PyPDF2
- 完整编辑：商业库PDFlib