登录常用文件读写
更新: 2025/2/28 字数: 0 字 时长: 0 分钟
在前面我们学习了部分文件的读写操作，当时我们把这些文件归为两类：文本文件、二进制文件。操作这两类文件不需要使用到任何的标准库或第三方库，直接 with open 打开即可进行读写操作，但除此之外我们还会接触到其他格式的文件，例如Excel文件、CSV文件、Word文件、PPT文件等等，因此在这里我们会使用标准库或第三方库来介绍以上常用文件的读写方法和脚本程序。
Excel文件
**Excel是微软为使用自家的Windows和苹果的Macintosh操作系统的电脑编写的一款电子表格软件。对于普通人来说，数据的读取和存储，除了使用数据库之外，最常见的就是微软的Excel。**目前Excel文件有 xls 和 xlsx 两种格式，它们之间的区别是：
格式不同：xls 是一个特有的二进制格式，其核心结构是复合文档类型的结构，而 xlsx 的核心结构是XML类型的结构，采用的是基于 XML的压缩方式，使其占用的空间更小。
版本不同：xls 是Excel 2003及以前版本生成的文件格式，而 xlsx 是Excel 2007及以后版本生成的文件格式。
兼容性不同：xlsx 格式是向下兼容的，可兼容 xls 格式。
**Python中有许多可以操作Excel文件的库，例如自带的 xlrd 模块和 xlwt 模块，以及第三方的openpyxl 库、Pandas 库等等。**详细信息如下：
xlrd库：一个从Excel文件读取数据和格式化信息的库，支持.xls、.xlsx文件（备注：2.0.1版本不支持xlsx，重装1.2.0版本可以解决）；xlwt库：一个用于将数据和格式化信息写入.xls文件的库；xlutils库：一个依赖于xlrd库和xlwt库处理Excel文件的库，仅支持.xls文件修改；xlwings库：一个Python调用Excel软件的操作库，支持.xls、.xlsx文件读写（备注：本地环境中必须装有Excel软件）；openpyxl库：一个用于读取和编写xlsx/xlsm/xltx/xltm文件的库；xlsxwriter库：一个用于创建.xlsx文件的库，仅支持.xlsx文件的写；win32com库：一个读写和处理Excel文件的库，存在于pywin32中，支持.xls、.xlsx文件的读写；DataNitro库：一个内嵌在Excel中的插件，使用时需依托软件本身，支持.xls、.xlsx文件的读写；pandas库：通过对Excel文件的读写实现数据输入输出，支持.xls、.xlsx文件的读写。
!> 注意：pandas 库底层的也是用自带的 xlrd 库和 xlwt 库来读取和写入Excel文件，但当 xlrd 读取到空表格会返回空字符串，而 pandas 读取到空表格会进行一定处理返回 float 类型的 NaN 值。
xlrd库
python
'''
读取Excel数据
'''
# 导入xlrd模块
import xlrd
# 读取文件
wb = xlrd.open_workbook(f'路径/文件名.后缀名')
# 读取下标为0的Sheet表
sheet = wb.sheet_by_index(0)
# 查找企业名称在第一行的下标
company_index = sheet.row_values(0).index("企业名称")
# 读取第二行到有数据的最后一行
for row in range(1, sheet.nrows):
# 以列表的形式返回整行数据（若第一行有2个数据，第二行有1个数据，那么第二行会返回1个数据和1个空字符串）
print(sheet.row_values(row))
# 返回企业名称的所在列的当前行的值
print(sheet.row_values(row)[company_index])openpyxl库
新工作薄
python
# 导入openpyxl库中的Workbook工作薄类
from openpyxl import Workbook
# 生成一个工作薄对象
wb = Workbook()
# 抓取活动工作薄
ws = wb.active
# 定义默认的sheet工作薄名称为"资质转让"
ws.title = "资质转让"
# 新建工作薄名称为"资质求购"，在索引为0的位置
wb.create_sheet("资质求购", 0)
# 新建工作薄名称为"服务商"，在索引为1的位置
wb.create_sheet("服务商", 1)
# 切换到最后一个工作薄
ws = wb[wb.sheetnames[-1]]
# 保存数据在当前路径的企业业绩.xlsx文件中
wb.save("企业业绩.xlsx")
写入数据
python
# 导入openpyxl库中的Workbook工作薄类
from openpyxl import Workbook
# 生成一个工作薄对象
wb = Workbook()
# 活动工作薄
ws = wb.active
# 第一行标题栏
ws['A1'] = 'ID'
ws['B1'] = '公司名称'
ws['C1'] = '项目名称'
# 构造数据
A = ('1', '2', '3', '4')
B = ('甲公司', '乙公司', '丙公司')
C = ('道路建设', '房屋修建')
for i in (A, B, C):
# 从第二行开始插入数据
index = 2
for item in i:
if item in A:
ws[f'A{index}'] = item
elif item in B:
ws[f'B{index}'] = item
else:
ws[f'C{index}'] = item
index += 1
# 保存数据在当前路径的企业业绩.xlsx文件中
wb.save("企业业绩.xlsx")
读取数据
python
# 导入openpyxl库中的load_workbook加载工作薄类
from openpyxl import load_workbook
# data_only只写模式，默认为False
# read_only只读模式，默认为False（更快打开体积较大的excel，且对内存的消耗比较小，注意只读模式是懒加载，使用后需要调用close()方法关闭）
wb = load_workbook('路径\excel文件.后缀名', read_only=True)
# 选定需要读取的工作薄
ws = wb['excel工作薄名']
# ws.max_row有数据的最大行，ws.max_column有数据的最大列
for row in range(1, ws.max_row + 1):
# 读取每行第3列的单元格中的值
print(ws.cell(row=row, column=3).value)
# close方法仅对只读和只写模式作用，如果调用了save方法则无需调用close方法，因为save源码当中有关闭的操作
wb.close()
'''
输出：项目名称、道路建设、房屋维修、None、None
注释：因为有数据的最大行数是5，因此最后输出了两个'None'。
'''
修改数据
python
# 导入openpyxl库
from openpyxl import Write_excel
# 使用Write_excel修改excel文件
wb = Write_excel('路径\excel文件.后缀名')
# 选定工作薄
ws = wb['excel工作薄名']
# 将第4行2列的值修改为‘丁公司’
ws.cell(row=4, column=2).value = '丁公司'
# 另存为一个新的excel文件
wb.save('路径\新excel文件.后缀名')
释放资源
当我们关闭或保存了Excel文件，在对其进行操作时，可能会出现以下错误：[WinError 32] 另一个程序正在使用此文件，进程无法访问。
python
# 保存Excel文件（save方法里面自带关闭操作）
wb.save('路径\新excel文件.后缀名')
# 对该文件进行删除、移动等操作或者使用另一进程访问该文件
os.remove('路径\新excel文件.后缀名')
'''
报错：[WinError 32] 另一个程序正在使用此文件，进程无法访问。
'''问题机制：Windows不允许您在另一个程序中修改已经打开的Excel文件，只有Excel可以修改已经打开的Excel文件，除非您先关闭文件，然后再使用脚本对其进行修改。
问题分析：出现这个问题一般来说是因为内存中关于该文件的资源没有得到及时释放，这可能和python的垃圾回收机制有关。另一个可能原因是 close() 方法出现了某种问题，导致资源未及时释放。
解决方案：在最后要关闭Excel文件的时候，手动进行垃圾回收，释放资源。
python
wb.close()
# 手动释放资源
del wb, ws # 删除变量wb，ws
gc.collect() # gc模块即python中的垃圾回收模块xlsxwriter库
插入图片
python
'''
向Excel文件中插入图片
'''
# 导入xlsxwriter
from xlsxwriter import Workbook
# 读取指定文件返回操作对象
book = xlsxwriter.Workbook('路径/Excel文件名.后缀名')
# 读取指定的Sheet工作薄
sheet = book.add_worksheet('Sheet1')
# 在D4单元格插入指定图片
sheet.insert_image('D4','路径/图片文件名.后缀名')
# 关闭操作对象
book.close()写入数据
python
# 使用 xlsxwriter 将数据写入Excel
import xlsxwriter
xlsname = 'test.xlsx' # 定义xlsx文件名称
xls = xlsxwriter.Workbook(xlsname) # 创建xlsx文件，若已存在则覆盖。
# 定义sheet名称及各sheet表头字段
stname_fields_dict = {'第一个sheet': ['日期', '姓名', '年龄'],
'第二个sheet': ['日期', 'ID','科目','成绩' ],
'测试': ['日期', 'ID','测试名称','测试结果' ]
}
st_list=[] # 定义一个列表用于存储所有要写入excel的数据
# sheet1的数据
st_list.append([['20200924','小明',22],
['20200924','小李',24],
['20200924','小王',23]
])
# sheet2的数据
st_list.append([['20200924','92401','python',89],
['20200924','92402','语文',90],
['20200924','92403','数学',98],
['20200924','92404','英语',96]
])
# sheet3的数据
st_list.append([['20200924','ts01','python',89],
['20200924','ts02','语文',90],
['20200924','ts03','数学',98],
['20200924','ts04','英语',96],
['20200924','ts02','语文',90],
['20200924','ts03','数学',98],
['20200924','ts04','英语',96]
])
# 循环写入数据
for indx_dict,stname_fields in enumerate(stname_fields_dict.values()): # stname_fields_dict.values() sheet表头字段
sh_name = list(stname_fields_dict.keys())[indx_dict]
sheet = xls.add_worksheet(sh_name) # 添加sheet、stname_fields_dict.keys() sheet名称
for indx, field in enumerate(stname_fields):
sheet.write(0, indx, field) # 写入表头
line_list = st_list[indx_dict] # 获取sheet数据
line_count = line_list.__len__() # 获取数据条数
x = 1 # 从第二行开始写内容
while x < line_count + 1:
line = line_list[x - 1] # 按行顺序遍历
# 写入各个字段值
for i, item in enumerate(line):
if type(item) == type(None): # 空值处理
sheet.write(x, i, '')
else:
sheet.write(x, i, item) # x 行，i 列， item 值
x += 1
print('%s共写入%d条数据。' % (sh_name, line_count))
xls.close()
print('执行完成！')
pandas库
使用pandas库的 read_excel() 方法通过路径只读取Excel文件的一个sheet时，返回的是一种DataFrame表格数据格式（简称 df），它可以清晰的展示出表格结构，根据表头又可以分为“有表头类型”、“无表头类型”两种类型。
有表头类型：即将第一行元素自动置为表头标签，其余内容为数据。读取时将自动的将第一行元素置为表头向量，同时为除表头外的各行内容加入行索引（从0开始）、各列内容加入列索引（从0开始）。
无表头类型：即从第一行起，全部内容为数据。读取时将自动的为各行内容加入行索引（从0开始）、为各列内容加入列索引（从0开始），行索引从第一行开始。
python
# 导入pandas并重命名为pd
import pandas as pd
# 默认读取第一个sheet返回有表头的DataFrame类型（参数sheet_name=0，指定sheet索引读取；参数sheet_name="test"指定sheet名称读取，参数header=None返回无表头的DataFrame类型）
df = pd.read_excel("data_test.xlsx")
# 获取全部数据，返回类型为ndarray（二维）
print(df.values)
# 获取第m行数据，返回类型为ndarray（一维）
print(df.values[m])
# 第m1、m2、m3行数据，返回类型为ndarray（二维）
print(df.values[[m1, m2, m3]])
# 第n列数据，返回类型为ndarray（一维）
print(df.values[:, n])
# 第n1、n2、n3列数据，返回类型为ndarray（二维）
print(df.values[:, [n1, n2, n3]])
# 第m行第n列的值，返回类型依内容而定
print(df.values[m, n])
# 先确认有无表头，返回行号[m1,m2)、列号[n1,n2)左闭右开区间内的数据，返回类型为ndarray（二维）
print(df.values[m1: m2, n1: n2])
# 获取行索引向量，返回类型为ndarray（一维）
print(df.index.values)
# 获取列索引向量（对有表头的方式，是表头标签向量），返回类型为ndarray（一维）
print(df.columns.values)?> 提示：pandas也能够同时读取多个sheet工作簿，但后续操作可能不够方便，因此建议一次性只读取一个sheet工作簿。
CSV文件
**CSV（Comma Separated Values）全称逗号分隔值文件是一种简单、通用的文件格式，被广泛的应用于应用程序（数据库、电子表格等）数据的导入和导出以及异构系统之间的数据交换。**因为CSV是纯文本文件，不管是什么操作系统和编程语言都是可以处理纯文本的，使用文本编辑器或类似于Excel电子表格这类工具打开和编辑CSV文件时，你甚至感觉不到CSV和Excel文件的区别。**而且很多编程语言中都提供了对读写CSV文件的支持，很多数据库系统都支持将数据导出到CSV文件中，当然也支持从CSV文件中读入数据保存到数据库中，因此CSV格式在数据处理和数据科学中被广泛应用。**CSV文件有以下特点：
- 纯文本，使用某种字符集（如ASCII、Unicode、GB2312等）；
- 由一条条的记录组成（典型的是每行一条记录）；
- 每条记录被分隔符（如逗号、分号、制表符）分隔为字段（列）；
- 每条记录都有同样的字段序列。
创建CSV文件
**在Python标准库中就有对应处理CSV文件的 csv 模块。**使用的示例代码如下所示：
python
# 导入csv模块
import csv
import random
with open('scores.csv', 'w') as file:
# writer函数返回一个csvwriter对象
writer = csv.writer(file)
# 通过对象的writerow或writerows方法就可以将数据写入到CSV文件中
writer.writerow(['姓名', '语文', '数学', '英语'])
for name in ['关羽', '张飞', '赵云', '马超', '黄忠']:
verbal = random.randint(50, 100)
math = random.randint(40, 100)
english = random.randint(30, 100)
writer.writerow([name, verbal, math, english])
上面的 writer 函数除了传入要写入数据的文件对象外，还可以 dialect 参数，它表示CSV文件的方言，默认值是 excel。除此之外，还可以通过 delimiter、quotechar、quoting 参数来指定分隔符（默认是逗号）、包围值的字符（默认是双引号）以及包围的方式。其中，包围值的字符主要用于当字段中有特殊符号时，通过添加包围值的字符可以避免二义性。
python
# 将上面第7行代码修改为下面的代码
writer = csv.writer(file, delimiter='|', quoting=csv.QUOTE_ALL)
读取CSV文件
如果要读取刚才创建的CSV文件，可以使用 reader 函数创建出 csvreader 对象，该对象是一个迭代器，可以通过 next 函数或 for-in 循环读取到文件中的数据：
python
import csv
with open('scores.csv', 'r') as file:
reader = csv.reader(file, delimiter='|')
for line in reader:
print(reader.line_num, end='\t')
for elem in line:
print(elem, end='\t')
print()
'''
输出：
1 姓名 语文 数学 英语
2
3 关羽 77 93 56
4
5 张飞 75 41 98
6
7 赵云 59 63 71
8
9 马超 51 93 61
10
11 黄忠 91 55 30
12
'''!> 注意：上面的代码对 csvreader 对象做 for 循环时，每次会取出一个列表对象，该列表对象包含了一行中所有的字段。
Word文件
**Word是微软公司开发的文字处理程序，日常办公中很多正式的文档都是用Word进行撰写和编辑的，目前使用的Word文件后缀名一般为 .docx。**通过下面的命令来安装 python-docx 三方库：
pip install python-docx生成Word文档
我们可以使用如下所示的代码来生成一个简单的Word文档：
python
from docx import Document
from docx.shared import Cm, Pt
from docx.document import Document as Doc
# 创建代表Word文档的Doc对象
document = Document() # type: Doc
# 添加大标题
document.add_heading('快快乐乐学Python', 0)
# 添加段落
p = document.add_paragraph('Python是一门非常流行的编程语言，它')
run = p.add_run('简单')
run.bold = True
run.font.size = Pt(18)
p.add_run('而且')
run = p.add_run('优雅')
run.font.size = Pt(18)
run.underline = True
p.add_run('。')
# 添加一级标题
document.add_heading('Heading, level 1', level=1)
# 添加带样式的段落
document.add_paragraph('Intense quote', style='Intense Quote')
# 添加无序列表
document.add_paragraph('first item in unordered list', style='List Bullet')
document.add_paragraph('second item in ordered list', style='List Bullet')
# 添加有序列表
document.add_paragraph('first item in ordered list', style='List Number')
document.add_paragraph('second item in ordered list', style='List Number')
# 添加图片（注意路径和图片必须要存在）
document.add_picture('navigation/guido.jpg', width=Cm(5.2))
# 添加分节符
document.add_section()
records = (
('骆昊', '男', '1995-5-5'),
('孙美丽', '女', '1992-2-2')
)
# 添加表格
table = document.add_table(rows=1, cols=3)
table.style = 'Dark List'
hdr_cells = table.rows[0].cells
hdr_cells[0].text = '姓名'
hdr_cells[1].text = '性别'
hdr_cells[2].text = '出生日期'
# 为表格添加行
for name, sex, birthday in records:
row_cells = table.add_row().cells
row_cells[0].text = name
row_cells[1].text = sex
row_cells[2].text = birthday
# 添加分页符
document.add_page_break()
# 保存文档
document.save('demo.docx')执行上面的代码，打开生成的Word文档，效果如下图所示:
?> 提示：上面代码第7行中的注释 # type: Doc 是为了在PyCharm中获得代码补全提示，因为如果不清楚对象具体的数据类型，PyCharm无法在后续代码中给出 Doc 对象的代码补全提示。
读取Word文档
对于一个已经存在的Word文件，我们可以通过下面的代码去遍历它所有的段落并获取对应的内容。
python
from docx import Document
from docx.document import Document as Doc
doc = Document('navigation/离职证明.docx') # type: Doc
for no, p in enumerate(doc.paragraphs):
print(no, p.text)读取到的内容如下所示：
0
1 离 职 证 明
2
3 兹证明 王大锤 ，身份证号码： 100200199512120001 ，于 2018 年 8 月 7 日至 2020 年 6 月 28 日在我单位 开发部 部门担任 Java开发工程师 职务，在职期间无不良表现。因 个人 原因，于 2020 年 6 月 28 日起终止解除劳动合同。现已结清财务相关费用，办理完解除劳动关系相关手续，双方不存在任何劳动争议。
4
5 特此证明！
6
7
8 公司名称（盖章）:成都风车车科技有限公司
9 2020 年 6 月 28 日批量Word文档
讲到这里，相信很多读者已经想到了，我们可以把上面的离职证明制作成一个模板文件，把姓名、身份证号、入职和离职日期等信息用占位符代替，这样通过对占位符的替换，就可以根据实际需要写入对应的信息，这样就可以批量的生成Word文档。按照上面的思路，我们首先编辑一个离职证明的模板文件，如下图所示：
接下来我们读取该文件，将占位符替换为真实信息，就可以生成一个新的Word文档，如下所示。
python
from docx import Document
from docx.document import Document as Doc
# 将真实信息用字典的方式保存在列表中
employees = [
{
'name': '骆昊',
'id': '100200198011280001',
'sdate': '2008年3月1日',
'edate': '2012年2月29日',
'department': '产品研发',
'position': '架构师',
'company': '成都华为技术有限公司'
},
{
'name': '王大锤',
'id': '510210199012125566',
'sdate': '2019年1月1日',
'edate': '2021年4月30日',
'department': '产品研发',
'position': 'Python开发工程师',
'company': '成都谷道科技有限公司'
},
{
'name': '李元芳',
'id': '2102101995103221599',
'sdate': '2020年5月10日',
'edate': '2021年3月5日',
'department': '产品研发',
'position': 'Java开发工程师',
'company': '同城企业管理集团有限公司'
},
]
# 对列表进行循环遍历，批量生成Word文档
for emp_dict in employees:
# 读取离职证明模板文件
doc = Document('navigation/离职证明模板.docx') # type: Doc
# 循环遍历所有段落寻找占位符
for p in doc.paragraphs:
if '{' not in p.text:
continue
# 不能直接修改段落内容，否则会丢失样式
# 所以需要对段落中的元素进行遍历并进行查找替换
for run in p.runs:
if '{' not in run.text:
continue
# 将占位符换成实际内容
start, end = run.text.find('{'), run.text.find('}')
key, place_holder = run.text[start + 1:end], run.text[start:end + 1]
run.text = run.text.replace(place_holder, emp_dict[key])
# 每个人对应保存一个Word文档
doc.save(f'{emp_dict["name"]}离职证明.docx')执行上面的代码，会在当前路径下生成三个Word文档，如下图所示：
PPT文件
**PowerPoint（简称PPT）是微软公司开发的演示文稿程序，是微软的Office系列软件中的一员，被商业人士、教师、学生等群体广泛使用，通常也将其称之为“幻灯片”。**在Python中可以使用名为 python-pptx 的三方库来生成PowerPoint，安装该第三方库命令如下所示：
pip install python-pptx用Python操作PowerPoint的内容，因为实际应用场景不算很多，我不打算在这里进行赘述，有兴趣的读者可以自行阅读 python-pptx 的官方文档，下面仅展示一段来自于官方文档的代码：
python
from pptx import Presentation
# 创建幻灯片对象
pres = Presentation()
# 选择母版添加一页
title_slide_layout = pres.slide_layouts[0]
slide = pres.slides.add_slide(title_slide_layout)
# 获取标题栏和副标题栏
title = slide.shapes.title
subtitle = slide.placeholders[1]
# 编辑标题和副标题
title.text = "Welcome to Python"
subtitle.text = "Life is short, I use Python"
# 选择母版添加一页
bullet_slide_layout = pres.slide_layouts[1]
slide = pres.slides.add_slide(bullet_slide_layout)
# 获取页面上所有形状
shapes = slide.shapes
# 获取标题和主体
title_shape = shapes.title
body_shape = shapes.placeholders[1]
# 编辑标题
title_shape.text = 'Introduction'
# 编辑主体内容
tf = body_shape.text_frame
tf.text = 'History of Python'
# 添加一个一级段落
p = tf.add_paragraph()
p.text = 'X\'max 1989'
p.level = 1
# 添加一个二级段落
p = tf.add_paragraph()
p.text = 'Guido began to write interpreter for Python.'
p.level = 2
# 保存幻灯片
pres.save('test.pptx')运行上面的代码，生成的PowerPoint文件如下图所示：
PDF文件
PDF是Portable Document Format的缩写，这类文件通常使用.pdf作为其扩展名。
PyPDF2库
在Python中，可以使用名为 PyPDF2 的三方库来读取PDF文件，安装命令如下：
bash
pip install PyPDF2PyPDF2 没有办法从PDF文档中提取图像、图表或其他媒体，但它可以提取文本，并将其返回为Python字符串。
python
import PyPDF2
reader = PyPDF2.PdfFileReader('test.pdf')
page = reader.getPage(0)
print(page.extractText())**当然，PyPDF2 并不是什么样的PDF文档都能提取出文字来，这个问题就我所知并没有什么特别好的解决方法，尤其是在提取中文的时候。网上也有很多讲解从PDF中提取文字的文章，推荐大家自行阅读《三大神器助力Python提取pdf文档信息》一文进行了解。**上面的代码中通过创建 PdfFileReader 对象的方式来读取PDF文档，该对象的 getPage 方法可以获得PDF文档的指定页并得到一个 PageObject 对象，通过 PageObject 对象的 rotateClockwise 和 rotateCounterClockwise 方法可以实现页面的顺时针和逆时针方向旋转，通过 PageObject 对象的 addBlankPage 方法可以添加一个新的空白页，代码如下所示：
python
import PyPDF2
from PyPDF2.pdf import PageObject
# 创建一个读PDF文件的Reader对象
reader = PyPDF2.PdfFileReader('navigation/XGBoost.pdf')
# 创建一个写PDF文件的Writer对象
writer = PyPDF2.PdfFileWriter()
# 对PDF文件所有页进行循环遍历
for page_num in range(reader.numPages):
# 获取指定页码的Page对象
current_page = reader.getPage(page_num) # type: PageObject
if page_num % 2 == 0:
# 奇数页顺时针旋转90度
current_page.rotateClockwise(90)
else:
# 偶数页反时针旋转90度
current_page.rotateCounterClockwise(90)
writer.addPage(current_page)
# 最后添加一个空白页并旋转90度
page = writer.addBlankPage() # type: PageObject
page.rotateClockwise(90)
# 通过Writer对象的write方法将PDF写入文件
with open('../../resources/XGBoost-modified.pdf', 'wb') as file:
writer.write(file)使用 PyPDF2 中的 PdfFileWrite 对象可以为PDF文档加密，如果需要给一系列的PDF文档设置统一的访问口令，使用Python程序来处理就会非常的方便。
python
import PyPDF2
reader = PyPDF2.PdfFileReader('navigation/XGBoost.pdf')
writer = PyPDF2.PdfFileWriter()
for page_num in range(reader.numPages):
writer.addPage(reader.getPage(page_num))
# 通过encrypt方法加密PDF文件，方法的参数就是设置的密码
writer.encrypt('foobared')
with open('../../resources/XGBoost-encrypted.pdf', 'wb') as file:
writer.write(file)上面提到的 PageObject 对象还有一个名为 mergePage 的方法，可以两个PDF页面进行叠加，通过这个操作，我们很容易实现给PDF文件添加水印的功能。例如要给上面的“XGBoost.pdf”文件添加一个水印，我们可以先准备好一个提供水印页面的PDF文件，然后将包含水印的 PageObject 读取出来，然后再循环遍历“XGBoost.pdf”文件的每个页，获取到 PageObject 对象，然后通过 mergePage 方法实现水印页和原始页的合并，代码如下所示。
python
import PyPDF2
from PyPDF2.pdf import PageObject
reader1 = PyPDF2.PdfFileReader('navigation/XGBoost.pdf')
reader2 = PyPDF2.PdfFileReader('navigation/watermark.pdf')
writer = PyPDF2.PdfFileWriter()
# 获取水印页
watermark_page = reader2.getPage(0)
for page_num in range(reader1.numPages):
current_page = reader1.getPage(page_num) # type: PageObject
current_page.mergePage(watermark_page)
# 将原始页和水印页进行合并
writer.addPage(current_page)
# 将PDF写入文件
with open('../../resources/XGBoost-watermarked.pdf', 'wb') as file:
writer.write(file)除了上面的方法外，我们还可以使用 decrypt 方法来破解加密的PDF文件：
python
"""
破解加密的PDF文件（密码是一个全大写的英文单词）
"""
import re
# 导入读写pdf文件的三方库PyPDF2
import PyPDF2
# 读取加密的pdf文件
with open('Python_Tricks_encrypted.pdf', 'rb') as pdf_file_stream:
reader = PyPDF2.PdfFileReader(pdf_file_stream)
# 读取含有弱口令的文本
with open('dictionary.txt', 'r') as txt_file_stream:
# 生成一个迭代器，每次读一行，如果读不到内容就返回最后面的空字符
file_iter = iter(lambda: txt_file_stream.readline(), '')
# 循环调用迭代器
for word in file_iter:
# 替换掉换行
word = re.sub(r'\s', '', word)
# 尝试解密文件，解密成功返回1
if reader.decrypt(word):
# 输出正确的口令
print(word)
breakreportlab库
创建PDF文档需要三方库 reportlab 的支持，安装的方法如下所示。
bash
pip install reportlab下面通过一个例子为大家展示reportlab的用法。
python
from reportlab.lib.pagesizes import A4
from reportlab.pdfbase import pdfmetrics
from reportlab.pdfbase.ttfonts import TTFont
from reportlab.pdfgen import canvas
pdf_canvas = canvas.Canvas('navigation/demo.pdf', pagesize=A4)
width, height = A4
# 绘图
image = canvas.ImageReader('navigation/guido.jpg')
pdf_canvas.drawImage(image, 20, height - 395, 250, 375)
# 显示当前页
pdf_canvas.showPage()
# 注册字体文件
pdfmetrics.registerFont(TTFont('Font1', 'navigation/fonts/Vera.ttf'))
pdfmetrics.registerFont(TTFont('Font2', 'navigation/fonts/青呱石头体.ttf'))
# 写字
pdf_canvas.setFont('Font2', 40)
pdf_canvas.setFillColorRGB(0.9, 0.5, 0.3, 1)
pdf_canvas.drawString(width // 2 - 120, height // 2, '你好，世界！')
pdf_canvas.setFont('Font1', 40)
pdf_canvas.setFillColorRGB(0, 1, 0, 0.5)
pdf_canvas.rotate(18)
pdf_canvas.drawString(250, 250, 'hello, world!')
# 保存
pdf_canvas.save()上面的代码如果不太理解也没有关系，等真正需要用Python创建PDF文档的时候，再好好研读一下 reportlab 的官方文档就可以了。