44

如何使用 Python 读取存储在 PDF 文件中的属性/元数据，如标题、作者、主题和关键字？

4

6 回答 6

52

试试pdfminer：

from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument

fp = open('diveintopython.pdf', 'rb')
parser = PDFParser(fp)
doc = PDFDocument(parser)

print(doc.info)  # The "Info" metadata

这是输出：

>>> [{'CreationDate': 'D:20040520151901-0500',
  'Creator': 'DocBook XSL Stylesheets V1.52.2',
  'Keywords': 'Python, Dive Into Python, tutorial, object-oriented, programming, documentation, book, free',
  'Producer': 'htmldoc 1.8.23 Copyright 1997-2002 Easy Software Products, All Rights Reserved.',
  'Title': 'Dive Into Python'}]

有关更多信息，请查看本教程：用于在 Python 中提取 PDF 元数据的轻量级 XMP 解析器。

于 2013-01-08T06:22:11.773 回答
17

对于 Python 3，请参阅PyPDF2，其中来自 @Khaleel 的示例代码已更新为：

from PyPDF2 import PdfFileReader
pdf_toread = PdfFileReader(open("test.pdf", "rb"))
pdf_info = pdf_toread.getDocumentInfo()
print(str(pdf_info))

使用pip install PyPDF2.

于 2016-10-08T11:31:14.973 回答
5

Morten Zilmer 指出：pyPdf主页说它不再维护。

我已经使用pyPdf实现了这一点。请参阅下面的示例代码。

from pyPdf import PdfFileReader
pdf_toread = PdfFileReader(open("doc2.pdf", "rb"))
pdf_info = pdf_toread.getDocumentInfo()
print(str(pdf_info))

输出：

{'/Title': u'Microsoft Word - Agnico-Eagle - Complaint (00040197-2)', '/CreationDate': u"D:20111108111228-05'00'", '/Producer': u'Acrobat Distiller 10.0.0 (Windows)', '/ModDate': u"D:20111108112409-05'00'", '/Creator': u'PScript5.dll Version 5.2.2', '/Author': u'LdelPino'}
于 2013-01-08T08:49:01.353 回答
5

对于 Python 3 和新的 pdfminer（pip install pdfminer3k）：

import os
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfparser import PDFDocument

fp = open("foo.pdf", 'rb')
parser = PDFParser(fp)
doc = PDFDocument(parser)
parser.set_document(doc)
doc.set_parser(parser)
if len(doc.info) > 0:
    info = doc.info[0]
    print(info)
于 2016-12-19T01:36:11.173 回答
1

pikepdf提供了一种简单可靠的方法来做到这一点。

我用一堆 pdf 文件对此进行了测试，似乎有两种不同的方法可以在创建 PDF 时插入元数据。有些正在插入NUL字节和其他乱码。Pikepdf 处理得很好。

import pikepdf
p = pikepdf.Pdf.open(r'path/to/file.pdf')
str(p.docinfo['/Author'])  # mind the slash

这将返回一个字符串 - 如果你用str. 例子：

  • 'Normal person'
  • 'ABC'

与其他选项比较：

pdfminer.六：

pip install pdfminer.six

import pdfminer.pdfparser
import pdfminer.pdfdocument
h = open('path/to/file.pdf', 'rb')
p = pdfminer.pdfparser.PDFParser(h)
d = pdfminer.pdfparser.PDFDocument(p)
d.info[0]['Author']

这将返回一个二进制字符串，包括不可解码的字符（如果存在）。例子：

  • b'Normal person'
  • b'\xfe\xff\x00A\x00B\x00C'（美国广播公司）

要转换为字符串：

  • b'Normal person'.decode()产生字符串'Normal person'
  • b'\xfe\xff\x00A\x00B\x00C'.decode(encoding='utf-8', errors='ignore').replace('\x00', '')产生字符串'ABC'

pdf阅读器

pip install pdfreader

import pdfreader
h = open(r'path/to/file.pdf', 'rb')
d = pdfreader.PDFDocument(h)
d.metadata['Author']

这将返回带有请求信息的字符串，或包含它找到的数据的十六进制表示的字符串。这也包括相同的不可解码字符。例子：

  • 'Normal person'
  • 'FEFF004100420043'（美国广播公司）

然后，您首先需要检测这是否仍然是“编码的”，我认为这很麻烦。通过调用这段丑陋的代码，第二个可以成为一个合理的字符串：

s = 'FEFF004100420043'
''.join([c for c in (chr(int(s[i:i+2], 16)) for i in range(0, len(s), 2)) if c.isascii()]).replace('\x00', '')
>>> 'ABC'

鲍勃

pip install borb

import borb.pdf.pdf
h = open(r'path/to/file.pdf', 'rb')
d: borb.pdf.document.Document = borb.pdf.pdf.PDF.loads(h)
str(d.get_document_info().get_author())

这将返回一个字符串 - 如果你用str. 加载相当大的 PDF 需要很长时间。我有一个 PDF，其中 borb 因 TypeError 异常而窒息。另请参阅borb 的专用示例 repo上的示例。

于 2021-10-21T08:08:31.430 回答
0

试试pdfreader 您可以访问文档目录元数据，如下所示：

   from pdfreader import PDFDocument    
   f = open("foo.pdf", 'rb')
   doc = PDFDocument(f)
   metadata = doc.root.Metadata
于 2019-11-26T21:40:59.420 回答