操作PDF文件（读取、分割、合并、移动）

Question

我正在尝试找到一种方法，用Python或PHP处理扫描的PDF文件。我需要能够打开一个多页的PDF，读取内容，并根据文本中的某个标识符，将页面移动到单独的PDF文件中（或者如果需要分组的话，放到一个文件里）。

我下载并稍微玩了一下pdftotext，但不确定这是否是最好的方法。我用一个示例扫描的PDF文件，经过pdftotext处理成了一个txt文件，然后在里面查找了一下。效果还不错；我能找到一些标识符，但为了提高效率，我需要更多的正则表达式技能。不过，我在如何拆分PDF和根据pdftotext的结果移动它们这方面遇到了瓶颈。

有没有什么想法？

---

编辑：澄清一下。

1. 使用pdftotext将每一页PDF输出为单独的txt文件；
2. 在txt文件中查找标识符，并编制一个相似页面的列表；
3. 根据这个列表提取并合并（如果适用）相关页面，然后输出每个页面的PDF；
4. 根据分组将生成的PDF移动到另一个位置；

---

PyPDF似乎是一个不错的起点。这是我目前的进展：

from pyPdf import PdfFileWriter, PdfFileReader
import re

output = PdfFileWriter()
input1 = PdfFileReader(file("test.PDF", "rb"))
totalPages = input1.getNumPages()
print "total pages to process:" +str(totalPages)

for i in range(totalPages):
    p = i
    print "processing page %s" %str(i)
    output.addPage(input1.getPage(p))
    p = input1.getPage(p).extractText()#extract text to search for identifier
    pr = re.search("identifier", p)#search for the identifier; to be replaced with a list
    #if there's a match, do work
    if pr:
        outputStream = file("test"+str(i)+".pdf", "wb")
        output.write(outputStream)
        outputStream.close()
        print 'match on page %s' %str(i)
        print '\n'

然后我可以使用另一个库，根据它们的位置合并PDF。

不过还有一个问题：Python的re.search函数有多强大？特别是在处理不太可靠的OCR时，它能否可靠？

Answer 1

你试过 pypdf 吗？

这里有一个使用 pypdf 提取文本的示例： http://code.activestate.com/recipes/511465-pure-python-pdf-to-text-converter/

Answer 2

我在一些小项目中成功使用过 pypdf 这个工具。