Формат переносимого документа (PDF) не является форматом WYSIWYG («Что видишь, то и получаешь»). Он был разработан как платформенно-независимый, независимый от базовой операционной системы и механизмов рендеринга.

Чтобы достичь этого, PDF был создан для взаимодействия с помощью чего-то, больше похожего на язык программирования, и полагается на серию инструкций и операций для достижения результата. Фактически, PDF основан на языке сценариев - PostScript , который был первым независимым от устройства языком описания страниц .

В нем есть операторы, которые изменяют графические состояния , которые на высоком уровне выглядят примерно так:

• Установите шрифт Helvetica.
• Установите черный цвет обводки
• Перейти к (60,700)
• Нарисуйте глиф "H".

Это объясняет несколько вещей:

• Почему так сложно однозначно извлечь текст из PDF
• Почему сложно редактировать PDF-документ
• Почему большинство библиотек PDF применяют очень низкоуровневый подход к созданию контента (вы, программист, должны указать координаты, в которых будет отображаться текст, поля и т. Д.)

В этом руководстве мы будем использоватьpText

• библиотеку Python, предназначенную для чтения, обработки и создания PDF-документов, чтобы создать PDF-документ. Он предлагает как низкоуровневую модель (позволяющую получить доступ к точным координатам и макету, если вы решите их использовать), так и высокоуровневую модель (где вы можете делегировать точные расчеты полей, позиций и т. Д. Менеджеру по макету) .

Мы рассмотрим, как создавать и проверять PDF-документ в Python , используя pText, а также как использовать некоторые LayoutElements для добавления штрих-кодов и таблиц.

Установка pText

pText можно загрузить из источника наGitHub или установить через pip :

 $ pip install ptext-joris-schellekens 

Примечание. На момент написания в версии 1.8.6 по умолчанию не устанавливаются внешние требования, такие как библиотеки python-barcode и qrcode Если появится сообщение об ошибке, установите их вручную:

 $ pip install qrcode python-barcode requests 

Создание PDF-документа на Python с помощью pText

pText имеет два интуитивно понятных ключевых класса - Document и Page , которые представляют документ и страницы в нем. Это основная структура для создания PDF-документов.

Кроме того, PDF представляет собой API для загрузки и сохранения Document нами документов.

Имея это в виду, давайте создадим пустой файл PDF:

 from ptext.pdf.document import Document 
 from ptext.pdf.page.page import Page 
 from ptext.pdf.pdf import PDF 
 
 # Create an empty Document 
 document = Document() 
 
 # Create an empty page 
 page = Page() 
 
 # Add the Page to the Document 
 document.append_page(page) 
 
 # Write the Document to a file 
 with open("output.pdf", "wb") as pdf_file_handle: 
 PDF.dumps(pdf_file_handle, document) 

Большая часть кода здесь говорит сама за себя. Мы начинаем с создания пустого Document , затем добавляем пустую Page в Document с помощью функции append() и, наконец, сохраняем файл с помощью PDF.dumps() .

Стоит отметить, что мы использовали "wb" для записи в двоичном режиме , поскольку мы не хотим, чтобы Python кодировал этот текст.

Это приводит к пустому файлу PDF с именем output.pdf в вашей локальной файловой системе:

{.ezlazyload}

Создание документа «Hello World» с помощью pText

Конечно, пустые PDF-документы не содержат много информации. Давайте добавим контент на Page , прежде чем добавлять его в экземпляр Document

Подобно двум интегральным классам, описанным ранее, чтобы добавить контент на Page , мы добавим PageLayout который указывает тип макета, который мы хотели бы видеть, и добавим один или несколько Paragraph в этот макет.

С этой целью Document является экземпляром самого низкого уровня в иерархии объектов, в то время как Paragraph является экземпляром самого высокого уровня, размещенным поверх PageLayout и, следовательно, Page .

Давайте добавим Paragraph на нашу Page :

 from ptext.pdf.document import Document 
 from ptext.pdf.page.page import Page 
 from ptext.pdf.pdf import PDF 
 from ptext.pdf.canvas.layout.paragraph import Paragraph 
 from ptext.pdf.canvas.layout.page_layout import SingleColumnLayout 
 from ptext.io.read.types import Decimal 
 
 document = Document() 
 page = Page() 
 
 # Setting a layout manager on the Page 
 layout = SingleColumnLayout(page) 
 
 # Adding a Paragraph to the Page 
 layout.add(Paragraph("Hello World", font_size=Decimal(20), font="Helvetica")) 
 
 document.append_page(page) 
 
 with open("output.pdf", "wb") as pdf_file_handle: 
 PDF.dumps(pdf_file_handle, document) 

Вы заметите, что мы добавили 2 дополнительных объекта:

• Экземпляр PageLayout , более конкретный через его подкласс SingleColumnLayout : этот класс отслеживает, где контент добавляется на Page , какие области доступны для будущего контента, каковы Page и какие ведущие ( пространство между Paragraph ) должно быть.

Поскольку здесь мы работаем только с одним столбцом, мы используем SingleColumnLayout . В качестве альтернативы мы можем использовать MultiColumnLayout .

• Paragraph : этот класс представляет блок текста. Вы можете установить такие свойства, как шрифт, font_size, font_color и многие другие. Дополнительные примеры вы можете найти в документации.

Это генерирует output.pdf , содержащий наш Paragraph :

{.ezlazyload}

Проверка созданного PDF с помощью pText

Примечание. Этот раздел является необязательным, если вас не интересует внутренняя работа PDF-документа.

Но может быть очень полезно немного узнать о формате (например, при отладке классической проблемы «почему мой контент теперь отображается на этой странице»).

Обычно программа для чтения PDF читает документ, начиная с последних байтов:

 xref 
 0 11 
 0000000000 00000 f 
 0000000015 00000 n 
 0000002169 00000 n 
 0000000048 00000 n 
 0000000105 00000 n 
 0000000258 00000 n 
 0000000413 00000 n 
 0000000445 00000 n 
 0000000475 00000 n 
 0000000653 00000 n 
 0000001938 00000 n 
 trailer 
 <</Root 1 0 R /Info 2 0 R /Size 11 /ID [<61e6d144af4b84e0e0aa52deab87cfe9><61e6d144af4b84e0e0aa52deab87cfe9>]>> 
 startxref 
 2274 
 %%EOF 

Здесь мы видим маркер конца файла ( %%EOF ) и таблицу перекрестных ссылок (обычно сокращенно xref ).

xref ограничена лексем "startxref" и "xref" .

xref (в документе может быть несколько) действует как справочная таблица для программы чтения PDF-файлов.

Он содержит байтовое смещение (начиная с верхней части файла) каждого объекта в PDF. Первая строка xref ( 0 11 ) говорит, что в этой xref 11 объектов , и что первый объект начинается с номера 0 .

Каждая последующая строка состоит из байтового смещения, за которым следует так называемый номер поколения и буква f или n :

• Объекты, отмеченные буквой f являются свободными, их рендеринг не ожидается.
• Объекты, отмеченные буквой n , «используются».

Внизу xref мы находим словарь трейлеров . Словари в синтаксисе PDF разделяются знаками << и >> .

В этом словаре есть следующие пары:

• /Root 1 0 R
• /Info 2 0 R
• /Size 11
• /ID [<61e6d144af4b84e0e0aa52deab87cfe9> <61e6d144af4b84e0e0aa52deab87cfe9>]

Словарь трейлеров является отправной точкой для программы чтения PDF-файлов и содержит ссылки на все другие данные.

В таком случае:

• /Root : это еще один словарь, который ссылается на фактическое содержание документа.
• /Info : это словарь, содержащий метаинформацию документа (автор, название и т. Д.).

Строки типа 1 0 R в синтаксисе PDF называются «ссылками». И здесь нам пригодится таблица xref

Чтобы найти объект, связанный с 1 0 R мы смотрим на объект 1 (номер поколения 0 ).

Таблица xref сообщает нам, что мы можем ожидать найти этот объект в байте 15 документа.

Если мы проверим это, мы найдем:

 1 0 obj 
 <</Pages 3 0 R>> 
 endobj 

Обратите внимание, как этот объект начинается с 1 0 obj и заканчивается endobj . Это еще одно подтверждение того, что мы на самом деле имеем дело с объектом 1 .

Этот словарь говорит нам, что мы можем найти страницы документа в объекте 3 :

 3 0 obj 
 <</Count 1 /Kids [4 0 R] 
 /Type /Pages>> 
 endobj 

Это /Pages , и он сообщает нам, что в этом документе 1 страница ( /Count ). Запись для /Kids обычно представляет собой массив с одной ссылкой на объект на страницу.

Мы можем ожидать найти первую страницу в объекте 4 :

 4 0 obj 
 <</Type /Page /MediaBox [0 0 595 842] 
 /Contents 5 0 R /Resources 6 0 R /Parent 3 0 R>> 
 endobj 

Этот словарь содержит несколько интересных статей:

• /MediaBox : физические размеры страницы (в данном случае страница размером A4).
• /Contents : ссылка на (обычно сжатый) поток операторов содержимого PDF.
• /Resources : ссылка на словарь, содержащий все ресурсы (шрифты, изображения и т. Д.), Используемые для рендеринга этой страницы.

Давайте проверим объект 5, чтобы узнать, что на самом деле отображается на этой странице:

 5 0 obj 
 <</Filter /FlateDecode /Length 85>> 
 stream 
 xÚã [email protected] 
 \È<§ ® ž `a ¥£šÔw3T0„É 
 €!K¡š3B˜ „ ž œenl 7' §9 ©99ù 
 åùE9)š 
 !Y('®!8õ ÂyšT*î 
 endstream 
 endobj 

Как упоминалось ранее, этот (контентный) поток сжимается. Вы можете определить, какой метод сжатия использовался, с помощью записи /Filter . Если мы применим распаковку ( unzip ) к объекту 5, мы должны получить фактические операторы содержимого:

 5 0 obj 
 <</Filter /FlateDecode /Length 85>> 
 stream 
 q 
 BT 
 0.000000 0.000000 0.000000 rg 
 /F1 1.000000 Tf 
 20.000000 0 0 20.000000 60.000000 738.000000 Tm 
 (Hello world) Tj 
 ET 
 Q 
 endstream 
 endobj 

Наконец, мы находимся на уровне, на котором мы можем декодировать контент. Каждая строка состоит из аргументов, за которыми следует их оператор. Быстро пройдемся по операторам:

• q : сохраняет текущее графическое состояние (помещая его в стек).
• BT : начать текст.
• 0 0 0 rg : установить текущий цвет обводки на ( 0,0,0 ) rgb. Это черный.
• /F1 1 Tf : установить текущий шрифт на /F1 (это запись в словаре ресурсов, упомянутом ранее) и размер шрифта на 1 .
• 20.000000 0 0 20.000000 60.000000 738.000000 Tm : установить текстовую матрицу. Текстовые матрицы требуют отдельного руководства. Достаточно сказать, что эта матрица регулирует размер шрифта и положение текста. Здесь мы масштабируем шрифт до font-size 20 и устанавливаем курсор для рисования текста на 60,738 . Система координат PDF начинается в нижнем левом углу страницы. Итак, 60,738 находится где-то рядом с левым верхом страницы (учитывая, что 842 единицы).
• (Hello world) Tj : строки в синтаксисе PDF разделяются ( и ) . Эта команда указывает программе чтения PDF-файлов отобразить строку «Hello world» в позиции, которую мы указали ранее с помощью текстовой матрицы, с шрифтом, размером и цветом, которые мы указали в командах до этого.
• ET : конец текста.
• Q : извлечь состояние графики из стека (таким образом восстанавливая состояние графики).

Добавление других элементов макета pText на страницы

pText поставляется с широким спектром объектов LayoutElement В предыдущем примере мы кратко исследовали Paragraph . Но есть и другие элементы , такие как UnorderedList , OrderedList , Image , Shape , Barcode и Table .

Давайте создадим немного более сложный пример с Table и Barcode . Tables состоят из TableCell , которые мы добавляем в экземпляр Table

Barcode может быть одним из многих BarcodeType - мы будем использовать QR код:

 from ptext.pdf.document import Document 
 from ptext.pdf.page.page import Page 
 from ptext.pdf.pdf import PDF 
 from ptext.pdf.canvas.layout.paragraph import Paragraph 
 from ptext.pdf.canvas.layout.page_layout import SingleColumnLayout 
 from ptext.io.read.types import Decimal 
 from ptext.pdf.canvas.layout.table import Table, TableCell 
 from ptext.pdf.canvas.layout.barcode import Barcode, BarcodeType 
 from ptext.pdf.canvas.color.color import X11Color 
 
 document = Document() 
 page = Page() 
 
 # Layout 
 layout = SingleColumnLayout(page) 
 
 # Create and add heading 
 layout.add(Paragraph("DefaultCorp Invoice", font="Helvetica", font_size=Decimal(20))) 
 
 # Create and add barcode 
 layout.add(Barcode(data="0123456789", type=BarcodeType.QR, width=Decimal(64), height=Decimal(64))) 
 
 # Create and add table 
 table = Table(number_of_rows=5, number_of_columns=4) 
 
 # Header row 
 table.add(TableCell(Paragraph("Item", font_color=X11Color("White")), background_color=X11Color("SlateGray"))) 
 table.add(TableCell(Paragraph("Unit Price", font_color=X11Color("White")), background_color=X11Color("SlateGray"))) 
 table.add(TableCell(Paragraph("Amount", font_color=X11Color("White")), background_color=X11Color("SlateGray"))) 
 table.add(TableCell(Paragraph("Price", font_color=X11Color("White")), background_color=X11Color("SlateGray"))) 
 
 # Data rows 
 for n in [("Lorem", 4.99, 1), ("Ipsum", 9.99, 2), ("Dolor", 1.99, 3), ("Sit", 1.99, 1)]: 
 table.add(Paragraph(n[0])) 
 table.add(Paragraph(str(n[1]))) 
 table.add(Paragraph(str(n[2]))) 
 table.add(Paragraph(str(n[1] * n[2]))) 
 
 # Set padding 
 table.set_padding_on_all_cells(Decimal(5), Decimal(5), Decimal(5), Decimal(5)) 
 layout.add(table) 
 
 # Append page 
 document.append_page(page) 
 
 # Persist PDF to file 
 with open("output4.pdf", "wb") as pdf_file_handle: 
 PDF.dumps(pdf_file_handle, document) 

Некоторые детали реализации:

• pText поддерживает различные цветовые модели, в том числе: RGBColor , HexColor , X11Color и HSVColor .
• Вы можете добавлять LayoutElement непосредственно в Table , но вы также можете обернуть их TableCell , это дает вам некоторые дополнительные параметры, такие как установка col_span и row_span или, в данном случае, background_color .
• Если font , font_size или font_color не указаны, Paragraph примет значение по умолчанию Helvetica , size 12 , black .

Это приводит к:

{.ezlazyload}

Заключение

В этом руководстве мы рассмотрели pText , библиотеку для чтения, записи и управления файлами PDF.

Мы рассмотрели ключевые классы, такие как Document и Page , а также некоторые элементы, такие как Paragraph , Barcode и PageLayout . Наконец, мы создали несколько PDF-файлов с различным содержимым, а также проверили, как в PDF-файлах хранятся данные.