阅读，突出显示，以编程方式保存PDF

Question

我想编写一个读取PDF的小脚本（它将在无头Linux服务器上运行），突出显示与我传递的字符串数组中的任何内容相匹配的文本，然后保存修改后的PDF。我想我最终会使用类似python bindings to poppler的东西，但不幸的是，接近零的文档，我有python旁边的零经验。

如果有人能指点我一个教程，例子或一些有用的文档，让我开始它将不胜感激！

Answer 1

您是否试过在PDFMiner？这听起来像是你想要的。

Answer 2

PDFlib具有Python绑定并支持这些操作。如果您想打开PDF，您将需要PDI。 http://www.pdflib.com/products/pdflib-family/pdflib-pdi/和TET。

不幸的是，它是一种商业产品。过去我在制作过程中使用过这个库，效果很好。绑定功能非常强大，而不是Python。我已经看到一些尝试使它们变得更加Pythonic：https://github.com/alexhayes/pythonic-pdflib您将要使用：open_pdi_document（）。

这听起来像你会希望做一些搜索高亮：

http://www.pdflib.com/tet-cookbook/tet-and-pdflib/highlight-search-terms/

Answer 3

是的，这是可能的pdfminer（pip install pdfminer.six）和PyPDF2的组合。

首先找到坐标（例如像this）。然后突出显示：

#!/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()