Manipulação de Arquivos PDF

PDF é um formato de documento amplamente utilizado para publicações digitais. Python, por outro lado, é uma linguagem de programação versátil com uma vasta gama de aplicações no mundo digital de hoje. Quando usados em conjunto, Python pode se tornar uma ferramenta eficiente na manipulação e extração de informações de documentos PDF. Neste artigo, exploraremos as diferentes maneiras de como Python pode ser usado para o processamento de PDF e como ele pode nos ajudar a melhorar nossa produtividade e eficiência.

Bibliotecas Python para PDF

Para trabalhar com arquivos PDF em Python, várias bibliotecas estão disponíveis. Algumas das bibliotecas populares para usar Python com PDF são PyPDF2, reportlab e fpdf.

Lendo PDF com Python

Para ler um arquivo file, você pode usar a biblioteca PyPDF2. Aqui está um exemplo:

import json
import PyPDF2

# Open the PDF file
pdf_file = open('example.pdf', 'rb')

# Create a PDF reader object
pdf_reader = PyPDF2.PdfFileReader(pdf_file)

# Get the number of pages in the PDF file
num_pages = pdf_reader.numPages

# Loop through all the pages and extract the text
for page in range(num_pages):
    page_obj = pdf_reader.getPage(page)
    print(page_obj.extractText())
    
# Close the PDF file
pdf_file.close()

Gerando PDF com Python

Para gerar novos arquivos PDF do zero, você pode usar a biblioteca reportlab ou fpdf. Aqui está um exemplo usando reportlab:

from reportlab.pdfgen import canvas

# Create a new PDF file
pdf_file = canvas.Canvas('example.pdf')

# Add text to the PDF
pdf_file.drawString(100, 750, "Hello World")

# Save and close the PDF file
pdf_file.save()

Da mesma forma, você pode usar a biblioteca fpdf para criar PDF.

Editando PDF com Python

Para editar arquivos PDF existentes, você pode usar a biblioteca PyPDF2. Aqui está um exemplo para rotacionar as páginas em um arquivo PDF:

import PyPDF2

# Open the PDF file
pdf_file = open('example.pdf', 'rb')

# Create a PDF reader object
pdf_reader = PyPDF2.PdfFileReader(pdf_file)

# Create a PDF writer object
pdf_writer = PyPDF2.PdfFileWriter()

# Rotate the pages and add them to the PDF writer
for page in range(pdf_reader.numPages):
    page_obj = pdf_reader.getPage(page)
    page_obj.rotateClockwise(90)
    pdf_writer.addPage(page_obj)
    
# Save the rotated PDF file
with open('example_rotated.pdf', 'wb') as pdf_output:
    pdf_writer.write(pdf_output)
    
# Close the PDF files
pdf_file.close()
pdf_output.close()

Em resumo, o Python oferece várias bibliotecas para trabalhar com arquivos PDF, permitindo que você leia, gere e edite PDFs de forma programática.

Como Extrair Texto de um PDF com Python

Para extrair text de um PDF com Python, você pode usar as bibliotecas PyPDF2 ou pdfminer. Essas bibliotecas permitem que você analise o PDF e extraia o conteúdo de text.

Exemplo 1: Usando PyPDF2

import PyPDF2

pdf_file = open('file.pdf', 'rb')
pdf_reader = PyPDF2.PdfFileReader(pdf_file)

text = ''
for page_num in range(pdf_reader.numPages):
    page = pdf_reader.getPage(page_num)
    text += page.extractText()

print(text)

Exemplo 2: Usando pdfminer

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
from io import StringIO

def pdf_to_text(pdf_path):
    manager = PDFResourceManager()
    output = StringIO()
    converter = TextConverter(manager, output, laparams=LAParams())
    interpreter = PDFPageInterpreter(manager, converter)

    with open(pdf_path, 'rb') as file:
        for page in PDFPage.get_pages(file, check_extractable=True):
            interpreter.process_page(page)

        text = output.getvalue()

    return text

Ambos esses métodos permitirão que você extraia conteúdo de text de um PDF com Python.

Como Combinar Páginas de PDF

Mesclar vários arquivos PDF em um único documento é uma tarefa comum no processamento de documentos. A biblioteca PyPDF2 em Python facilita a mesclagem de vários arquivos PDF em um único documento.

Mesclar Duas Páginas de PDF Usando PyPDF2

import PyPDF2

# Open the first PDF file
pdf1 = PyPDF2.PdfFileReader(open('file1.pdf', 'rb'))

# Open the second PDF file
pdf2 = PyPDF2.PdfFileReader(open('file2.pdf', 'rb'))

# Merge the two PDF files
output = PyPDF2.PdfFileWriter()
output.addPage(pdf1.getPage(0))
output.addPage(pdf2.getPage(0))

# Save the merged PDF file
with open('merged.pdf', 'wb') as f:
    output.write(f)

Mesclar arquivos PDF inteiros Usando PyPDF2

from PyPDF2 import PdfFileMerger

pdfs = ['file1.pdf', 'file2.pdf']
merger = PdfFileMerger()

for pdf in pdfs:
    merger.append(open(pdf, 'rb'))

with open('merged_pdf.pdf', 'wb') as f:
    merger.write(f)

Usando os exemplos de código acima, você pode mesclar várias páginas de PDF ou arquivos PDF inteiros em Python usando a biblioteca PyPDF2. Ao combinar arquivos PDF, você pode facilmente criar um único documento que é mais fácil de gerenciar e distribuir.

Como Remover Marca D'água de PDF

Remover marca d'água de arquivos PDF em Python é fácil e pode ser feito usando várias bibliotecas. Aqui estão algumas soluções para remover marcas d'água usando as bibliotecas PyPDF2 e PyMuPDF.

# Solution 1
import PyPDF2

# Open the PDF file
pdf = open('filename.pdf', 'rb')

# Create a PDFReader object
pdf_reader = PyPDF2.PdfReader()

# Create a PDFWriter object
pdf_writer = PyPDF2.PdfWriter()

# Iterate over the pages in the PDF file
for page in pdf_reader:
    # Remove the watermark 
    page.mergePage(None)
    # Add the page to the PDFWriter object
    pdf_writer.addPage(page)

# Save the PDF with the watermark removed
with open('filename_nw.pdf', 'wb') as f:
    pdf_writer.write(f)

import fitz
# Solution 2
# Open the PDF file
pdf = fitz.open('filename.pdf')

# Iterate over the pages in the PDF file
for page in pdf:
    # Get the annotations on the page
    annotations = page.annots()
    # Iterate through the annotations
    for annotation in annotations:
        # Check if the annotation is a watermark
        if annotation.type[0] == 8:
            # Remove the annotation
            page.deleteAnnot(annotation)
    
# Save the PDF with the watermark removed
pdf.save('filename_nw.pdf')

Com essas soluções simples, você pode facilmente remover marcas d'água de arquivos PDF usando Python e as bibliotecas PyPDF2 e PyMuPDF.

Como converter HTML para PDF

Converter HTML para PDF é uma tarefa comum no desenvolvimento web. Felizmente, Python oferece várias bibliotecas para realizar essa tarefa sem esforço. Aqui estão dois exemplos de como converter HTML para PDF usando bibliotecas populares de Python:

Usando a biblioteca pdfkit

import pdfkit

pdfkit.from_file('path/to/file.html', 'path/to/output.pdf')

Usando a biblioteca weasyprint

from weasyprint import HTML

HTML('path/to/file.html').write_pdf('path/to/output.pdf')

Ambas as bibliotecas oferecem a capacidade de converter HTML em PDF com apenas algumas linhas de código, facilitando a incorporação em qualquer projeto Python. Não esqueça de instalar as bibliotecas necessárias usando pip antes de implementar a solução.