Neste artigo, vamos guiá-lo sobre como trabalhar com arquivos PDF usando Python. Para isso, utilizaremos a biblioteca pypdf.

Usando a biblioteca pypdf, demonstraremos como realizar as seguintes operações em Python:

• Extração de texto de PDFs
• Rotação de páginas de PDF
• Mesclagem de múltiplos PDFs
• Divisão de PDFs em arquivos separados
• Adição de marcas d’água a páginas de PDF

Nota: Este artigo cobre muitos detalhes valiosos, então fique à vontade para pular para as seções que mais lhe interessam! O conteúdo é organizado para fácil navegação, permitindo que você se concentre rapidamente no que for mais relevante.

Códigos de Exemplo

Você pode baixar todo o código de exemplo usado neste artigo a partir do link a seguir. Ele inclui o código, arquivos de entrada e de saída.

• Exemplos de Código e Arquivos de Entrada para Trabalhar com Arquivos PDF em Python

Instalar pypdf

Para instalar o pypdf, basta executar o seguinte comando no seu terminal ou prompt de comando:

pip install pypdf

Nota: O comando acima diferencia maiúsculas de minúsculas.

1. Extraindo Texto de um Arquivo PDF Usando Python

Explicação do Código

1. Criando um Objeto Leitor de PDF

reader = PdfReader(pdf_file)

• PdfReader(pdf_file) carrega o arquivo PDF em um objeto leitor.
• Este objeto permite acesso às páginas e seu conteúdo.

2. Percorrendo Páginas

for page_number, page in enumerate(reader.pages, start=1):

• reader.pages retorna uma lista de páginas no PDF.
• enumerate(..., start=1) atribui um número de página começando em 1.

3. Imprimindo Texto Extraído

    print(f"Page {page_number}:")
    print(page.extract_text())
    print("-" * 50)  # Separador para legibilidade

• page.extract_text() extrai texto da página atual.
• O script imprime o texto extraído juntamente com o número da página.
• "-" * 50 imprime uma linha separadora (--------------------------------------------------) para melhor legibilidade.

Arquivo PDF de Entrada Usado no Código

• Arquivo de Entrada: Link para Download

Saída do Código

2. Girando Páginas de PDF Usando Python

Explicação do Código

O código basicamente gira a primeira página por 90° no sentido horário e salva o PDF modificado sem afetar outras páginas.

1. Importar Classes Necessárias

from pypdf import PdfReader, PdfWriter

• PdfReader: Lê o PDF de entrada.
• PdfWriter: Cria um novo PDF com modificações.

2. Definir Caminhos de Arquivo de Entrada e Saída

input_pdf = "pdf-to-rotate/input.pdf"
output_pdf = "pdf-to-rotate/rotated_output.pdf"

• O script lê de input.pdf e salva o arquivo modificado como rotated_output.pdf.

3. Ler o PDF e Criar um Objeto Writer

reader = PdfReader(input_pdf)
writer = PdfWriter()

• reader carrega o PDF existente.
• writer é usado para armazenar as páginas modificadas.

4. Girar a Primeira Página em 90 Graus

page = reader.pages[0]
page.rotate(90)  # Girar 90 graus no sentido horário
writer.add_page(page)

• Página 1 é extraída, rotacionada 90 graus, e adicionada ao novo PDF.

5. Adicionar Páginas Restantes Sem Mudanças

for i in range(1, len(reader.pages)):
    writer.add_page(reader.pages[i])

• Percorre as páginas restantes e as adiciona como estão.

6. Salvar o Novo PDF

with open(output_pdf, "wb") as file:
    writer.write(file)

• Abre rotated_output.pdf em modo binário de escrita e salva o novo PDF.

7. Imprimir Confirmação

print(f"Rotated page saved to {output_pdf}")

• Exibe uma mensagem de sucesso.

PDF de Entrada Usado no Código e Sua Saída Girada

• Arquivo PDF de Entrada: Link para Download
• Arquivo PDF Girado de Saída: Link para Download

Captura de Tela

3. Mesclando Arquivos PDF Usando Python

Este script Python demonstra como mesclar múltiplos arquivos PDF de um diretório em um único PDF usando a biblioteca PyPDF.

Explicação do Código

• Este script mescla automaticamente todos os arquivos PDF encontrados no diretório especificado (pdfs-to-merge) em um único arquivo de saída (merged_output.pdf).
• Ele garante que o diretório de saída exista e adiciona as páginas de cada PDF na ordem em que são listadas.
• Ele salva o arquivo final mesclado no subdiretório output-dir.

Desmembramento do Código

1. Importar Bibliotecas

import os
from pypdf import PdfReader, PdfWriter

• os: Usado para interagir com o sistema de arquivos, como ler diretórios e gerenciar caminhos de arquivo.
• PdfReader: Lê o conteúdo de um arquivo PDF.
• PdfWriter: Cria e escreve um novo arquivo PDF.

2. Definir Diretório e Arquivo de Saída

directory = "pdfs-to-merge"
output_file = "output-dir/merged_output.pdf"

• directory: Especifica a pasta onde os arquivos PDF estão armazenados.
• output_file: Define o caminho e o nome de saída do PDF mesclado.

3. Criar Diretório de Saída se Não Existir

os.makedirs(os.path.join(directory, "output-dir"), exist_ok=True)

• Isso garante que o diretório de saída exista, e se não, ele o cria.

4. Criar um Objeto PdfWriter

writer = PdfWriter()

• writer é usado para coletar e combinar todas as páginas dos PDFs.

5. Iterar Sobre Todos os Arquivos PDF no Diretório

for file_name in sorted(os.listdir(directory)):
    if file_name.endswith(".pdf"):
        file_path = os.path.join(directory, file_name)
        print(f"Adding: {file_name}")

• Este loop percorre todos os arquivos no diretório especificado, verificando por arquivos com extensão .pdf. Ele usa sorted() para processá-los em ordem alfabética.

6. Ler Cada PDF e Adicionar Páginas ao Writer

reader = PdfReader(file_path)
writer.append(reader)

• Para cada PDF, PdfReader lê o arquivo, e então todas as páginas daquele PDF são adicionadas a writer.

7. Escrever o PDF Mesclado em um Arquivo de Saída

output_path = os.path.join(directory, output_file)
with open(output_path, "wb") as output_pdf:
    writer.write(output_pdf)

• Após coletar todas as páginas, writer.write() escreve o PDF mesclado no caminho de saída especificado.

8. Imprimir Confirmação

print(f"Merged PDF saved as: {output_path}")

• Imprime uma mensagem de sucesso confirmando a localização do PDF mesclado salvo.

Arquivos PDF de Entrada Usados no Código e o PDF de Saída Mesclado

• Arquivos PDF de Entrada: Link para Download
• PDF de Saída Mesclado: Link para Download

4. Dividindo um PDF Usando Python

Explicação do Código

O script Python acima divide um PDF em páginas separadas usando a biblioteca PyPDF. Ele primeiro garante que o diretório de saída exista, depois lê o arquivo PDF de entrada. O script percorre cada página, cria um novo objeto PdfWriter e salva cada página como um arquivo PDF individual. Os arquivos de saída são nomeados sequencialmente (por exemplo, page_1.pdf, page_2.pdf) e armazenados na pasta output-dir. Por fim, ele imprime uma mensagem de confirmação para cada arquivo criado e notifica quando o processo é concluído.

PDF de Entrada e Arquivos de Saída Individuais

• Arquivo PDF de Entrada: Link para Download
• Arquivos de Saída Individuais: Link para Download

5. Adicionando uma Marca d’Água a um PDF Usando Python

Você pode adicionar uma marca d’água a um PDF usando a biblioteca PyPDF sobrepondo um PDF de marca d’água a um PDF existente. Certifique-se de que o PDF de marca d’água tenha apenas uma página para que ele seja aplicado corretamente a cada página do PDF principal.

Explicação do Código

O script Python acima lê um PDF de entrada, extrai um PDF de marca d’água de uma página, sobrepõe a marca d’água em cada página do PDF de entrada, e salva o PDF final com a marca d’água.

Desmembramento do Código

Aqui está uma breve explicação de cada parte

1. Importar Classes Necessárias

from pypdf import PdfReader, PdfWriter

• PdfReader é usado para ler PDFs existentes.
• PdfWriter é usado para criar e escrever um novo PDF.

2. Definir Caminhos de Arquivo

input_pdf = "pdf-to-watermark/input.pdf"
watermark_pdf = "pdf-to-watermark/watermark.pdf"
output_pdf = "pdf-to-watermark/output_with_watermark.pdf"

• input_pdf: O PDF original ao qual a marca d’água será adicionada.
• watermark_pdf: Um PDF de uma página separado que serve como a marca d’água.
• output_pdf: O arquivo de saída que conterá as páginas com a marca d’água.

3. Ler PDFs

reader = PdfReader(input_pdf)
watermark = PdfReader(watermark_pdf)

• reader: Lê o PDF de entrada.
• watermark: Lê o PDF da marca d’água.

4. Criar um Objeto Writer

writer = PdfWriter()

• Isso será usado para criar o PDF final com a marca d’água.

5. Extrair Página da Marca d’Água

watermark_page = watermark.pages[0]

• Assume-se que o PDF da marca d’água tenha apenas uma página, que é usada para sobrepor em todas as páginas.

6. Percorrer Páginas do PDF de Entrada & Mesclar Marca d’Água

for page in reader.pages:
    # Mesclar a marca d'água com a página atual
    page.merge_page(watermark_page)
    
    # Adicionar a página mesclada ao writer
    writer.add_page(page)

• Itera por cada página do input_pdf.
• merge_page(watermark_page) sobrepõe a marca d’água sobre a página atual.
• Adiciona a página modificada ao writer.

7. Salvar o PDF com Marca d’Água

with open(output_pdf, "wb") as output_file:
    writer.write(output_file)

• Escreve as páginas modificadas em um novo arquivo PDF.

8. Imprimir Confirmação

print(f"Watermarked PDF saved as: {output_pdf}")

• Imprime o caminho do arquivo de saída para confirmação.

PDF de Entrada, PDF de Marca d’Água e PDF de Saída com Marca d’Água

• Arquivo PDF de Entrada: Link para Download
• Arquivo PDF de Marca d’Água: Link para Download
• Arquivo PDF de Saída com Marca d’Água: Link para Download

Captura de Tela

Conclusão

Neste guia, exploramos operações essenciais de PDF em Python, incluindo extração de texto, rotação de páginas, mesclagem, divisão e adição de marcas d’água. Com essas habilidades, você pode agora construir seu próprio gerenciador de PDF e automatizar várias tarefas de PDF de maneira eficiente.