在 Python 中从 PDF 中提取页面大小

Question

我想阅读 PDF 并获取其页面列表和每页的大小。我不需要以任何方式操纵它，只需阅读即可。

目前正在试用 pyPdf，它可以满足我的所有需求，除了获取页面大小的方法。了解我可能不得不遍历，因为 pdf 文档中的页面大小可能会有所不同。我可以使用其他库/方法吗？

我尝试使用 PIL，一些在线食谱甚至使用 d=Image(imagefilename)，但它从不读取我的任何 PDF - 它读取我扔给它的所有其他内容 - 甚至一些我不知道 PIL 可以做的事情.

感谢任何指导 - 我在 windows 7 64, python25 上（因为我也做 GAE 的东西），但我很高兴在 Linux 或更现代的 pythiis 上做。

Answer 1

这可以通过PyPDF2来完成：

>>> from PyPDF2 import PdfFileReader
>>> input1 = PdfFileReader(open('example.pdf', 'rb'))
>>> input1.getPage(0).mediaBox
RectangleObject([0, 0, 612, 792])

（以前称为pyPdf，现在仍参考其文档。）

Answer 2

与pdfrw:

>>> from pdfrw import PdfReader
>>> pdf = PdfReader('example.pdf')
>>> pdf.pages[0].MediaBox
['0', '0', '595.2756', '841.8898']

长度以磅为单位（1 pt = 1/72 英寸）。格式为[x0, y0, x1, y1]（谢谢，mara004！）。

Answer 3

2021-07-22 更新：原来的答案并不总是正确的，所以我更新了我的答案。

与PyMuPDF:

>>> import fitz
>>> doc = fitz.open("example.pdf")
>>> page = doc[0]
>>> print(page.rect.width, page.rect.height)
842.0 595.0
>>> print(page.mediabox.width, page.mediabox.height)
595.0 842.0

mediabox 和rect 的返回值属于Rect 类型，具有“宽度”和“高度”属性。 mediabox 和 rect 之间的一个区别是 mediabox 与文档中的 /MediaBox 相同，并且在页面旋转时不会改变。但是，rect 会受到旋转的影响。有关 PyMuPDF 中不同框的更多信息，您可以阅读glossary。

Answer 4

对于 pdfminer python 3.x (pdfminer.six)（没有在 python 2.7 上尝试）：

parser = PDFParser(open(pdfPath, 'rb'))
doc = PDFDocument(parser)
pageSizesList = []
for page in PDFPage.create_pages(doc):
    print(page.mediabox) # <- the media box that is the page size as list of 4 integers x0 y0 x1 y1
    pageSizesList.append(page.mediabox) # <- appending sizes to this list. eventually the pageSizesList will contain list of list corresponding to sizes of each page

Answer 5

使用 pikepdf：

import pikepdf

# open the file and select the first page
pdf = pikepdf.Pdf.open("/path/to/file.pdf")
page = pdf.pages[0]

if '/CropBox' in page:
    # use CropBox if defined since that's what the PDF viewer would usually display
    relevant_box = page.CropBox
elif '/MediaBox' in page:
    relevant_box = page.MediaBox
else:
    # fall back to ANSI A (US Letter) if neither CropBox nor MediaBox are defined
    # unlikely, but possible
    relevant_box = [0, 0, 612, 792]

# actually there could also be a viewer preference ViewArea or ViewClip in
# pdf.Root.ViewerPreferences defining which box to use, but most PDF readers 
# disregard this option anyway

# check whether the page defines a UserUnit
userunit = 1
if '/UserUnit' in page:
    userunit = float(page.UserUnit)

# convert the box coordinates to float and multiply with the UserUnit
relevant_box = [float(x)*userunit for x in relevant_box]

# obtain the dimensions of the box
width  = abs(relevant_box[2] - relevant_box[0])
height = abs(relevant_box[3] - relevant_box[1])

rotation = 0
if '/Rotate' in page:
    rotation = page.Rotate

# if the page is rotated clockwise or counter-clockwise, swap width and height
# (pdf rotation modifies the coordinate system, so the box always refers to 
# the non-rotated page)
if (rotation // 90) % 2 != 0:
    width, height = height, width

# now you have width and height in points
# 1 point is equivalent to 1/72in (1in -> 2.54cm)

Answer 6

另一种方法是使用popplerqt4

doc = popplerqt4.Poppler.Document.load('/path/to/my.pdf')
qsizedoc = doc.page(0).pageSize()
h = qsizedoc.height() # given in pt,  1pt = 1/72 in
w = qsizedoc.width()