Python PDFファイルの操作 - IT技術で仕事を減らしたい！

どうも、nippa です。

Python で PDF の操作をしてみようと思いました。目標としては、PDF ファイルにタイムスタンプトークンを付与して、電子帳簿保存法で簡単にタイムスタンプを付与することを目指します。

今回はその最初のステップとして、Python での PDF の操作を実施してみます。

Python での PDF 操作でよく知られていた PyPDF2 は開発をもとの pypdf で開発を継続するとなっています。 PyPDF2 プロジェクト

今回は pypdf の操作についてまとめます。

環境
pypdf のインストール
pypdf での PDF の操作
感想

環境

macOS 13.4
pypdf 3.16

pypdf のインストール

パッケージ管理ツールを利用して、pypdf をインストールします。

  pip install pypdf

poetry

  poetry add pypdf

pypdf での PDF の操作

PDF の読み込みとページ数の取得

PDF を読み込み、メタ情報の確認を行ってみます。

from pypdf import PdfReader

file = "sample.pdf"
reader = pypdf.PdfFileReader(file)
metadata = reader.metadata
if metadata is None:
     raise Exception("Error: No metadata")
print(metadata)
creation_date = metadata.get('/CreationDate', '不明')
mod_date = metadata.get('/ModDate', '不明')
print(f"作成日: {creation_date}")
print(f"修正日: {mod_date}")

print(f"ページ数: {len(reader.pages)}")

reader.metadataでは dict 形式で、PDF のメタ情報を取得することができます。

len(reader.pages)で PDF のページ数を取得できます。

ページ数の取得と特定ページのテキスト抽出

ページ数を指定して、そのページテキストを以下のコードで抽出します。

from pypdf import PdfReader

file = "sample.pdf"
reader = pypdf.PdfFileReader(file)
page = reader.pages[0]
text = page.extract_text()
print(text)

特定ページの切り出し

特定のページを切り出す場合、以下のようなコードで切り出す事ができます。

from pypdf import PdfReader, PdfWriter

file = "sample.pdf"
reader = PdfReader(file)
writer = PdfWriter()

page_numebr = 1
writer.add_page(reader.pages[page_numebr-1])
writer.write(f"page{page_numebr}.pdf")

PDF を結合する

PdfMergerは非推奨になっているので、PdfReaderとPdfWriterを利用して PDF を結合します。

PDF を読み込んで、新たな PDF に結合していく形になります。

from pypdf import PdfReader, PdfWriter
pdf_files = ["sample.pdf", "sample1.pdf"]

writer = PdfWriter()
for file in pdf_files:
    reader = PdfReader(file)

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

writer.write("test.pdf")

特定ページの回転させる

特定の page に対してrotate([回転角度])を指定することで、回転させることができます。

from pypdf import PdfReader, PdfWriter

file = "sample.pdf"
reader = PdfReader(file)
writer = PdfWriter()

page_numebr = 1
writer.add_page(reader.pages[page_numebr-1])
writer.pages[-1].rotate(90)
writer.write(f"page{page_numebr}.pdf")

PDF にパスワードを設定して暗号化する

from pypdf import PdfReader, PdfWriter
password = "test"
pdf_files = ["sample.pdf"]

writer = PdfWriter()
for file in pdf_files:
    reader = PdfReader(file)

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

writer.encrypt(user_password=password, owner_password=None, use_128bit=True)
writer.write("test.pdf")

暗号化された PDF を復号する

上記で暗号化された PDF の復号は以下の通りです。

from pypdf import PdfReader
password = "test"

reader = PdfReader("test_password.pdf")
if reader.is_encrypted:
    reader.decrypt("test")
    for page in reader.pages:
        print(page)

感想

今回 pypdf を利用して、Python で PDF を扱う方法について簡単にまとめてみました。

pypdf では簡単な操作はできるもののコンテンツを修正する等は難しく、あくまでも PDF の操作だけになります。コンテンツを修正する場合は、他のライブラリの検討が必要になります。

次は、PDF にタイムスタンプトークンを付与する方法をテーマに記事を書きたいと思います。

ではでは、また次回。