zoukankan      html  css  js  c++  java
  • 【转】Python编程: 多个PDF文件合并以及网页上自动下载PDF文件

    1. 多个PDF文件合并
    1.1 需求描述
    有时候,我们下载了多个PDF文件, 但希望能把它们合并成一个PDF文件。例如:你下载的数个PDF文件资料或者电子发票,你可以使用python程序合并成一个PDF文件,无论是阅读或是打印都更方便些。

    1.2. 技术分析
    首先,我们要读取某一个目录(为了简化,我们假设Python代码和PDF文件都放在此目录下)的所有PDF文件,然后调用 PdfFileMerger 库进行合并,最后打印输出文件完成。

    1.3. 代码实现
    remove_pdf_file(file): 删除一个pdf 文件,主要用来删除合并生成的pdf文件
    get_all_pdf_files(path): 读取路径path下所有的pdf文件,返回一个列表
    merge_pdf_file(pdfs): 把在列表pdfs里包含的多个pdf文件合并成一个pdf文件 merged_pdf_file.pdf
    Python 代码

    # merge_pdf_files.py

    from PyPDF2 import PdfFileMerger
    import os, sys

    def remove_pdf_file(file):
    os.remove(file)

    def get_all_pdf_files(path):
    pdfs = [ file for file in os.listdir(path) if '.pdf' in file ]
    return pdfs

    def merge_pdf_file(pdfs):
    pdf_file_merger = PdfFileMerger()
    merged_pdf = 'merged_pdf_file.pdf'

    for pdf in pdfs:
    if merged_pdf == pdf:
    remove_pdf_file(pdf)
    try:
    pdf_file_merger.append(open(pdf, 'rb'))
    except:
    print("merging pdf file %s failed." % pdf)

    with open(merged_pdf, 'wb') as fout:
    pdf_file_merger.write(fout)

    return merged_pdf

    def main():
    pdfs = get_all_pdf_files(sys.path[0]) # current path

    print('The file', merge_pdf_file(pdfs), 'is generated.')

    if __name__ == "__main__":
    main()
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    2. 网页上自动下载多个PDF文件并合并PDF文件
    2.1 需求描述
    如果有一个新需求是从某个网页上自动下载多个PDF文件,最后把多个PDF文件合并成一个PDF文件,该如何实现呢?

    2.2 技术分析
    我们使用requests库来抓取网页,使用正则表达式分析网页上的所有PDF文件,然后使用requests库把所有的PDF文件自动下载下来,最后把多个PDF文件合并生成一个文件merged_pdf_file.pdf

    2.3 代码实现
    get_page_source(url): 读取网页的内容
    get_all_pdfs_url(html): 分析网页内容找到所有PDF文件的列表
    download_all_pdf_files(url, pdfs): 从网上下载所有PDF文件到当前目录
    remove_pdf_file(file): 删除一个pdf 文件,主要用来删除合并生成的pdf文件
    remove_pdf_file(pdfs): 删除列表里的pdf 文件,主要用来删除临时下载的pdf文件
    merge_pdf_file(pdfs): 把在列表pdfs里包含的多个pdf文件合并成一个pdf文件merged_pdf_file.pdf
    Python 代码

    # download_merge_pdf_files.py

    import re
    import requests
    import sys
    import os
    from PyPDF2 import PdfFileMerger

    def get_page_source(url):
    r = requests.get(url)
    return r.text

    def get_all_pdfs_url(html):
    all_files = re.findall('<li><a href=(.*?)class="title">', html, re.S)

    return [item.strip()[1:-1] for item in all_files if "pdf" in item]

    def download_all_pdf_files(url, pdfs):
    print("The following pdf files are downloaded from", url)
    for index, pdf in enumerate(pdfs, 1):
    print("%d. %s" %(index, pdf))

    response = requests.get(url + pdf , stream=True)

    try:
    new_pdf_file = str(index)+'. '+pdf
    with open(new_pdf_file, 'wb') as handle:
    for block in response.iter_content(1024):
    handle.write(block)
    except:
    print("writing pdf file %s failed." % new_pdf_file)

    def merge_pdf_files(pdfs):
    pdf_file_merger = PdfFileMerger()
    merged_pdf = 'merged_pdf_file.pdf'

    for index, pdf in enumerate(pdfs, 1):
    if merged_pdf == pdf:
    remove_pdf_file(pdf)
    try:
    new_pdf_file = str(index)+'. '+pdf
    pdf_file_merger.append(open(new_pdf_file, 'rb'))
    except:
    print("merging pdf file %s failed." % new_pdf_file)

    with open(merged_pdf, 'wb') as fout:
    pdf_file_merger.write(fout)

    return merged_pdf

    def remove_pdf_file(file):
    os.remove(file)

    def remove_pdf_files(pdfs):
    for file in pdfs:
    remove_pdf_file(file)

    def main():
    URL = "http://www.cs.brandeis.edu/~cs134/"
    html = get_page_source(URL)
    pdfs = get_all_pdfs_url(html)

    download_all_pdf_files(URL, pdfs)
    print('The file', merge_pdf_files(pdfs), 'is generated.')
    #remove_pdf_files(pdfs) # if we want to remove those original pdf files

    if __name__ == "__main__":
    main()

    #The following pdf files are downloaded from http://www.cs.brandeis.edu/~cs134/
    #1. Lecture1-Overview.pdf
    #2. Lecture2-ProbabilityFundementals.pdf
    #3. Lecture3-TextClassification-NB-Part1.pdf
    #4. TextClassification-NB-MaxEnt.pdf
    #5. K_F_Ch3.pdf
    #6. Handout1.pdf
    #7. Quiz1Topics.pdf
    #8. HW1.pdf
    #PdfReadWarning: Xref table not zero-indexed. ID numbers for objects will be corrected. [pdf.py:1736]
    #The fil

    from:https://blog.csdn.net/weixin_43379056/article/details/88020504

  • 相关阅读:
    (元)黄公望---富春山居图(中国十大传世名画之八) 高清图下载
    Bloom Filter 原理与应用
    开始我的 JNI 入门吧
    javaScript的使用
    hash定义
    POJ3169 Layout(差分约束系统)
    青蛙的约会
    POJ 3414 Pots ( BFS , 打印路径 )
    你真的理解Java的this和super吗?
    十款优秀的在线JavaScript工具介绍
  • 原文地址:https://www.cnblogs.com/xuan52rock/p/11334246.html
Copyright © 2011-2022 走看看