目前，我正在考虑将一些 PDF 与 pyPdf 合并，但有时输入的顺序不正确，因此我正在考虑抓取每个页面的页码以确定它应该进入的顺序（例如，如果有人将一本书分成 20 个 10 页的 PDF，我想将它们重新组合在一起）。
我有两个问题 - 1.) 我知道有时页码存储在文档数据中的某处，因为我看到在 Adobe 上呈现的 PDF 类似于 [1243]（150 中的 10），但我读过此类文档转换为 pyPDF，但我找不到任何指示页码的信息 - 它存储在哪里？
2.) 如果第 1 大道不可用，我想我可以遍历给定页面上的对象以尝试找到页码 - 可能它是它自己的对象，其中有一个数字。但是，我似乎找不到任何明确的方法来确定对象的内容。如果我运行：
pdf.getPage(0).getContents()
这通常会返回：
{'/Filter': '/FlateDecode'}
或者它返回 IndirectObject(num, num) 个对象的列表。我真的不知道如何处理其中任何一个，据我所知，也没有关于它的真正文档。有没有人熟悉这种可以为我指明正确方向的事情？
以下对我有用：
from PyPDF2 import PdfFileReader
pdf = PdfFileReader(open('path/to/file.pdf','rb'))
pdf.getNumPages()
其他答案使用 PyPDF/PyPDF2 似乎可以读取整个文件。对于大文件，这需要很长时间。
与此同时，我写了一些快速而肮脏的东西，运行时间几乎没有。它会进行 shell 调用，但我不知道有任何其他方法可以做到这一点。它可以非常快速地获取大约 5000 页的 pdf 的页数。
它只需调用“pdfinfo”shell 命令即可工作，因此它可能仅适用于 linux。到目前为止，我只在 ubuntu 上测试过它。
我见过的一个奇怪的行为是，在 try/except 块中围绕它不会捕获错误，你必须排除 subprocess.CalledProcessError。
from subprocess import check_output
def get_num_pages(pdf_path):
output = check_output(["pdfinfo", pdf_path]).decode()
pages_line = [line for line in output.splitlines() if "Pages:" in line][0]
num_pages = int(pages_line.split(":")[1])
return num_pages
有关完整文档，请参阅 Adobe 的 978 页PDF 参考。:-)
更具体地说，PDF 文件包含指示 PDF 的物理页面如何映射到逻辑页码以及页码应该如何格式化的元数据。这是您获取规范结果的地方。本页的示例 2显示了它在 PDF 标记中的外观。你必须把它找出来，解析它，然后自己执行映射。
在 PyPDF 中，要获取此信息，请尝试作为起点：
pdf.trailer["/Root"]["/PageLabels"]["/Nums"]
顺便说一句，当你看到一个IndirectObject实例时，你可以调用它的getObject()方法来检索实际指向的对象。
正如您所说，您的替代方法是检查文本对象并尝试找出哪个是页码。您可以extractText()为此使用页面对象，但您会得到一个字符串，并且必须尝试从中找出页码。（当然，页码可能是罗马字母或字母而不是数字，有些页面可能没有编号。）相反，看看extractText()它的实际工作是如何的——毕竟 PyPDF 是用 Python 编写的——并将其用作一个例程的基础，它分别检查页面上的每个文本对象以查看它是否像页码。警惕上面有很多页码的目录/索引页面！
kindall的回答非常好。但是，由于后来（由梦想家）请求了一个工作代码示例，并且由于我今天遇到了同样的问题，所以我想添加一些注释。
pdf结构不统一；您可以依赖的东西很少，因此任何工作代码示例都不太可能适用于所有人。在这个答案中可以找到一个很好的解释。
正如 kindall 所解释的，您很可能需要探索您正在处理的 pdf。
像这样：
import sys
import PyPDF2 as pyPdf
"""Open your pdf"""
pdf = pyPdf.PdfFileReader(open(sys.argv[1], "rb"))
"""Explore the /PageLabels (if it exists)"""
try:
page_label_type = pdf.trailer["/Root"]["/PageLabels"]
print(page_label_type)
except:
print("No /PageLabel object")
"""Select the item that is most likely to contain the information you desire; e.g.
{'/Nums': [0, IndirectObject(42, 0)]}
here, we only have "/Num". """
try:
page_label_type = pdf.trailer["/Root"]["/PageLabels"]["/Nums"]
print(page_label_type)
except:
print("No /PageLabel object")
"""If you see a list, like
[0, IndirectObject(42, 0)]
get the correct item from it"""
try:
page_label_type = pdf.trailer["/Root"]["/PageLabels"]["/Nums"][1]
print(page_label_type)
except:
print("No /PageLabel object")
"""If you then have an indirect object, like
IndirectObject(42, 0)
use getObject()"""
try:
page_label_type = pdf.trailer["/Root"]["/PageLabels"]["/Nums"][1].getObject()
print(page_label_type)
except:
print("No /PageLabel object")
"""Now we have e.g.
{'/S': '/r', '/St': 21}
meaning roman numerals, starting with page 21, i.e. xxi. We can now also obtain the two variables directly."""
try:
page_label_type = pdf.trailer["/Root"]["/PageLabels"]["/Nums"][1].getObject()["/S"]
print(page_label_type)
start_page = pdf.trailer["/Root"]["/PageLabels"]["/Nums"][1].getObject()["/St"]
print(start_page)
except:
print("No /PageLabel object")
脚本：
import sys
import PyPDF2 as pyPdf
def arabic_to_roman(arabic):
roman = ''
while arabic >= 1000:
roman += 'm'
arabic -= 1000
diffs = [900, 500, 400, 300, 200, 100, 90, 50, 40, 30, 20, 10, 9, 5, 4, 3, 2, 1]
digits = ['cm', 'd', 'cd', 'ccc', 'cc', 'c', 'xc', 'l', 'xl', 'xxx', 'xx', 'x', 'ix', 'v', 'iv', 'iii', 'ii', 'i']
for i in range(len(diffs)):
if arabic >= diffs[i]:
roman += digits[i]
arabic -= diffs[i]
return(roman)
def get_page_labels(pdf):
try:
page_label_type = pdf.trailer["/Root"]["/PageLabels"]["/Nums"][1].getObject()["/S"]
except:
page_label_type = "/D"
try:
page_start = pdf.trailer["/Root"]["/PageLabels"]["/Nums"][1].getObject()["/St"]
except:
page_start = 1
page_count = pdf.getNumPages()
##or, if you feel fancy, do:
#page_count = pdf.trailer["/Root"]["/Pages"]["/Count"]
page_stop = page_start + page_count
if page_label_type == "/D":
page_numbers = list(range(page_start, page_stop))
for i in range(len(page_numbers)):
page_numbers[i] = str(page_numbers[i])
elif page_label_type == '/r':
page_numbers_arabic = range(page_start, page_stop)
page_numbers = []
for i in range(len(page_numbers_arabic)):
page_numbers.append(arabic_to_roman(page_numbers_arabic[i]))
print(page_label_type)
print(page_start)
print(page_count)
print(page_numbers)
pdf = pyPdf.PdfFileReader(open(sys.argv[1], "rb"))
get_page_labels(pdf)
另一个选项是 pymupdf： https ://pymupdf.readthedocs.io/en/latest/tutorial.html
import fitz
doc = fitz.open('Path To File')
doc.pageCount
pip install pymupdf
对于大型文档，我在使用 pypdf2 时遇到递归错误，所以这是另一种快速简单的方法。
PyMuPDF
import fitz
doc = fitz.open('source_path')
print(doc.pageCount)
# prints total page count of input PDF
PyPDF2
import PyPDF2
pdfFileObj = open('source.pdf', 'rb')
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
print(pdfReader.numPages)
#get totalnumber of pages and page numbering in PyPDF2 starts with 0
pageObj = pdfReader.getPage(0)
pageObj.extractText()
pdfFileObj.close()
PDFinfo pdfinfo : 提取 PDF 文件中 Info 字典的内容。Xpdf 项目的另一部分。
pdfinfo filename.pdf
**Output**
Title: HILs.pdf
Subject:
Keywords:
Author:
Creator: Acrobat PDFMaker 10.0 for Word
Producer: Acrobat Distiller 9.3.0 (Windows)
CreationDate: Mon Jun 2 11:16:53 2014
ModDate: Mon Jun 2 11:16:53 2014
Tagged: no
Pages: 3
Encrypted: no
Page size: 612 x 792 pts (letter)
File size: 39177 bytes
Optimized: yes
PDF version: 1.5
PDFminer
from pdfminer.pdfpage import PDFPage
infile = file(fname, 'rb')
print(PDFPage.pagenums(infile))