【Python】PDFを操作する PyPDF ライブラリを徹底解説！

pip install pypdf

# ライブラリのインポート
from pypdf import PdfReader

# PDFファイルの読み込み
reader = PdfReader("sample.pdf")

# ライブラリのインポート
from pypdf import PdfReader

# PDFファイルの読み込み
reader = PdfReader("sample.pdf")

# ページ数の取得
number_of_pages = len(reader.pages)

# 1ページ目を取得
page_no1 = reader.pages[0]

# テキストの抽出
text = page_no1.extract_text()
print(text)

from pypdf import PdfWriter

# 結合したいPDFファイルのリスト
pdf_files = ["file1.pdf", "file2.pdf", "file3.pdf"]

merger = PdfWriter()

for pdf_file in pdf_files:
    merger.append(pdf_file)

merger.write("merged.pdf")
merger.close()

# ライブラリのインポート
from pypdf import PdfReader, PdfWriter

# PDFの読み込み
reader = PdfReader("file1.pdf")
# 1ページ目を読み込み
page_no1 = reader.pages[0]

# PDFを出力用のオブジェクトを用意
writer = PdfWriter()

# 1ページ目を出力用オブジェクトに追加
writer.add_page(page_no1)

# "devide.pdf"としてファイルに書き出し
with open("devide.pdf", "wb") as pdf_file:
    writer.write(pdf_file)

from pypdf import PdfReader, PdfWriter

# 元データの読み込み
reader = PdfReader("source.pdf")

# 新しいページの順序を定義（3ページ目、1ページ目、2ページ目）
new_order = [2, 0, 1]

# PDFを出力用のオブジェクトを用意
writer = PdfWriter()

# 新しい順序でページを追加
for index in new_order:
    writer.add_page(reader.pages[index])

# 並び替えられたPDFをファイルに保存
with open("sorted_example.pdf", "wb") as output_pdf:
    writer.write(output_pdf)

from pypdf import PdfReader

# PDFの読み込み
reader = PdfReader("sample.pdf")
# 1ページ目を取得
page = reader.pages[0]

for count, image_file_object in enumerate(page.images):
    with open(f"{count}_{image_file_object.name}", "wb") as image:
        # 画像の書き出し
        image.write(image_file_object.data)

from pypdf import PdfReader
import re

def extract_information(pdf_path):
    with open(pdf_path, "rb") as file:
        reader = PdfReader(file)
        text = ""
        for page in reader.pages:
            text += page.extract_text() + "\n"
        return text

def search_information(text, pattern):
    # 正規表現を使用して特定の情報を検索
    matches = re.findall(pattern, text)
    return matches

# 特定のパターンを定義（例：電話番号、メールアドレスなど）
pattern = r"\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2,}\b"

# 抽出するPDFファイルのリスト
pdf_files = ["file1.pdf", "file2.pdf", "file3.pdf"]

# 情報抽出と検索の実行
for pdf_file in pdf_files:
    text = extract_information(pdf_file)
    matches = search_information(text, pattern)
    print(f"Matches in {pdf_file}: {matches}")

# ライブラリのインポート
from pypdf import PdfReader

# PDFファイルの読み込み
reader = PdfReader("sample.pdf")

# メタデータを取得する
metadata = reader.metadata

print(metadata)

{
  '/CreationDate': "D:20151127175214+09'00'",
  '/ModDate': "D:20151127175215+09'00'",
  '/Producer': 'JUST PDF 3'
}