使用python将pdf拆分为多个不同页长的pdf。

Question

我有一个350页的单个bills.But，其中有多个电费账单，每个账单都不是相同的length...some，只有1页，其他人有2或3页。我需要相应地拆分这个pdf。

我有以下代码用于将pdf拆分为单个页面：

from PyPDF2 import PdfFileWriter, PdfFileReader

inputpdf = PdfFileReader(open("80....pdf", "rb"))

for i in range(inputpdf.numPages):
    output = PdfFileWriter()
    output.addPage(inputpdf.getPage(i))
    with open("80...-page%s.pdf" % i, "wb") as outputStream:
        output.write(outputStream)

我通过Pypdf2搜索字符串，在pdf中标识了一个正则表达式，下面是我的代码：

import PyPDF2
import re

object = PyPDF2.PdfFileReader("PDF.pdf")

NumPages = object.getNumPages()

for i in range(0, NumPages):
    PageObj = object.getPage(i)

    Text = PageObj.extractText() 
    #print(Text)
    if re.search(r"Bill of Supply for Electricity", Text):
        print("this is page " + str(i) + '\n First Page') 
        Regex = re.search(r"Bill of Supply for Electricity", Text).group()
        print(Regex)
    else:
        print("this is page " + str(i) + '\n Not First Page')

我已经找到了从这个特定字符串开始的页面。现在，我想相应地拆分pdf，以便仅当它再次找到regex“电力供应账单”时才拆分pdf。例如，如果第一页有这个正则表达式，然后第三页又有这个正则表达式，那么第1页和第2页应该生成1个pdf，然后第3页应该生成另一个。如果第四页又有这个正则表达式，那么第三页应该是一个单独的pdf，第四页应该是独立的，直到相同的正则表达式再次出现，依此类推。我该怎么做？？

Answer 1

好的，我已经更改了一些变量名，并且删除了print语句。让我们从构建一个函数开始，该函数将告诉您分页符需要在哪里。

def getPagebreakList(file_name: str)->list:
    pdf_file = PyPDF2.PdfFileReader(file_name)
    num_pages = pdf_file.getNumPages()
    page_breaks = list()

    for i in range(0, num_pages):
        Page = file.getPage(i)
        Text = PageObj.extractText() 

        if re.search(r"Bill of Supply for Electricity", Text):
            page_breaks.append(i)

    return page_breaks

接下来，我们将从page_breaks列表的开头弹出元素，并在浏览该文件时使用它们。

from PyPDF2 import PdfFileWriter, PdfFileReader

inputpdf = PdfFileReader(open("80....pdf", "rb"))
num_pages = inputpdf.numPages
page_breaks = getPagebreakList('yourPDF.pdf')

i = 0
while (i < num_pages):
    if page_breaks:
        page_break = page_breaks.pop(0)
    else:
        page_break = num_pages
    output = PdfFileWriter()
    while (i != page_break + 1):
        output.addPage(inputpdf.getPage(i))
        i = i + 1
    with open("80...-page%s.pdf" % i, "wb") as outputStream:
        output.write(outputStream)

希望这能行得通。我显然没有办法测试，因为我碰巧没有一个很长的PDF与一些网页上的正则表达式。