1

Necesito hacer un programa que tomo un archivo pdf que tiene unos datos y dos gráficas y lo convierta a jpg para insertarlo dentro de otro pdf con una información adicional o poder adicionarle al pdf primero una segunda página con la información adicional.

He estado investigando y encontré que podía hacerlo con PyPDF2, pero no lo he logrado. No logré identar bien el código ni adicionar el archivo pdf.

Este es mi código:

import PyPDF2

pdf_file = open('C:\1.pdf')
read_pdf = PyPDF2.PdfFileReader(pdf_file)
number_of_pages = read_pdf.getNumPages()
page = read_pdf.getPage(0)
page_content = page.extractText()
print (page_content)

Obtengo el siguiente error:

Traceback (most recent call last):
  File "C:\Python34\pruebasya\manejo-pdf2.py", line 3, in <module>
    pdf_file = open('c:\1.pdf')
OSError: [Errno 22] Invalid argument: 'c:\x01.pdf'
11
  • Usa la barra inclinada hacia la derecha (forward slash) en las rutas: open('c:/1.pdf') como se hace en los sistemas *nix.
    – FJSevilla
    el 24 oct. 2017 a las 15:12
  • cordial saludo, hice el cambio que me propuso y me generó el siguiente error: Traceback (most recent call last): File "C:\Python34\pruebasya\manejo-pdf2.py", line 2, in <module> pdf_file = open('C:/1.pdf') FileNotFoundError: [Errno 2] No such file or directory: 'C:/1.pdf' el archivo si existe el 24 oct. 2017 a las 15:22
  • Freddy también se puede usar strings crudos: open(r'c:\1.pdf') o escapar la barra inclinada: open('c:\\1.pdf'). De todas formas esto no debe influir, asegúrate de que el nombre y ruta son correctos. Esto intenta abrir un archivo llamado 1.pdf que se localiza en la raíz de tu unidad C:. Es importante que te asegures de no haber agregado una extensión manualmente y tener las extensiones ocultas en la configuración del explorador (tu archivo podría llamarse en realidad 1.pdf.pdf. Mira las propiedades (Click derecho -> Propiedades) del archivo y comprueba nombre y ruta.
    – FJSevilla
    el 24 oct. 2017 a las 15:41
  • Si señor tiene razón efectivamente al mirarlo por detalles estaba como 1.pdf.pdf, corregí esa parte pero me saco otro error : PdfReadWarning: PdfFileReader stream/file object is not in binary mode. It may not be read correctly. [pdf.py:1079] Traceback (most recent call last): File "C:\Python34\lib\site-packages\PyPDF2\pdf.py", line 1084, in init self.read(stream) File "C:\Python34\lib\site-packages\PyPDF2\pdf.py", line 1689, in read stream.seek(-1, 2) io.UnsupportedOperation: can't do nonzero end-relative seeks la parte donde le doy la ruta asi: pdf_file = open ('C:\\1.pdf') gracias el 24 oct. 2017 a las 15:55
  • Prueba abriendo el archivo en modo binario: pdf_file = open ('C:\\1.pdf', 'rb')
    – FJSevilla
    el 24 oct. 2017 a las 16:04

1 respuesta 1

1

No creo que sea posible hacer esto con PyPDF2 (convertir pdf a jpg), como ya he comentado no he usado esta biblioteca pero viendo la documentación parece no tener esta capacidad. Si que puedes coger la página completa y agregarla como tal a otro pdf. También sería posible obtener imágenes (que son guardadas como tal en el documento) de un pdf con ella, pero tu realmente no tienes imágenes como tales en tu pdf.

Para convertir un pdf a imágenes puedes hacer uso de ImageMagick. Se trata de una suite de software multiplataforma que permite mostrar, editar, crear y convertir una gran cantidad de formatos de imágenes.

Existen multitud de bindings para Python, uno de los más recientes y el único con el que he trabajado es Wand.

Tienes que instalar Imagemagick según tu sistema, la gran mayoría de distros Linux tienen además su propio paquete en los repositorios oficiales si no quieres compilar desde fuentes. Después solo debes instalar Wand (via pip).

Hecho lo anterior puedes usar algo como esto:

import os
from wand.image import Image, Color


def pdf_to_jpg(pdf_path,  output_path = None, resolution = 200):
    pdf_name = os.path.splitext(os.path.basename(pdf_path))[0]
    if not output_path:
        output_path = os.path.dirname(pdf_path)

    with Image(filename=pdf_path, resolution=resolution) as  pdf:
        for n, page in enumerate(pdf.sequence):
            with Image(page) as image:
                image.format = 'jpg'
                image.background_color = Color('white')
                image.alpha_channel = 'remove'
                image_name = os.path.join(output_path, '{}-{}.jpg'.format(pdf_name, n))
                image.save(filename = image_name)

pdf_to_jpg("1.pdf")

Lo he probado con tu pdf y se obtiene la imágen perfectamente.

Si quisieras obtener partes de la hoja por separado (por ejemplo obtener las gráficas), si todos tus pdfs tiene exactamente la misma disposición puedes simplemente recortar las partes que quieras de la imagen resultante.


Dependiendo del sistema es posible que se tenga que instalar GhostScrip, al ser una dependencia de ImageMagick, si no está instalado en el sistema. Es importante instalar la versión adecuada a la versión de Python y ImageMagick que estemos usando (32 o 64 bits).

10
  • Muchas gracias por la respuesta, hasta ahora pude seguir mirando, en estos momentos estoy instalando Wand y tratando de configurarlo en windows, estoy teniendo problemas con eso.Voy a seguir intentándolo muchas gracias nuevamente. el 28 oct. 2017 a las 0:19
  • @FREDDYLLANOS puedes descargar ImageMagick de imagemagick.org/download/binaries. Wand se instala via pip. Aquí tienes una pequeña guía de como instalar en windows y como configurar el PATH: docs.wand-py.org/en/0.4.1/guide/…. Si tienes cualquier problema comenta a ver si te puedo ayudar. Un saludo.
    – FJSevilla
    el 28 oct. 2017 a las 8:32
  • Primero que todo muchas gracias por la colaboración, seguí las instrucciones y me saca este error en la parte final File "C:\Python34\lib\site-packages\wand\resource.py", line 222, in raise_exception raise e wand.exceptions.BlobError: unable to open image `1.pdf': No such file or directory @ error/blob.c/OpenBlob/2701 Yo tengo un equipo con windows 10 pro , este es mi path C:\Program Files\ImageMagick-6.9.9-Q8;C:\Program Files (x86)\ImageMagick-6.9.9-Q8;;C:\Python34\Lib\site-packages\..Yo realmente necesito convertir todo el pdf a jpg. Gracias por la ayuda. el 2 nov. 2017 a las 12:06
  • 1
    @FREDDYLLANOS a la función le tienes que pasar la ruta válida del archivo pdf, en este caso deberías tener el archivo llamado 1.pdf en el mismo directorio del script. Debes llamar a la función por ejemplo como pdf_to_jpg("C:/Users/Freddy/documentos/archivo.pdf"). Igualmente puedes pasar dos argumentos opcionales, un segundo argumento con la ruta donde se guarde la imágen y un tercero para la resolución. En las rutas gasta cuidado de no tener configurado el explorador para que oculte la extensión y que tu archivo se llame 1.pdf.pdf por ejemplo.
    – FJSevilla
    el 2 nov. 2017 a las 14:14
  • 1
    @FREDDYLLANOS he podido testear el código en Windows 10 y he conseguido que funcione sin problemas. El problema era que necesitas instalar GhostScript: ghostscript.com/download/gsdnld.html. Usa la versión adecuada a tu versión de Python (32 o 64 bits). En Windows 10, con Python 3.6.3 - 64 bits, Wand, ImageMagick-7.0.7-Q16 y GhostScript 9.22 64 bits (licencia AGPL) funciona perfectamente con tu pdf. Ha sido un error tonto por mi parte, ya que GhostScript es una dependencia de ImageMagick, y no estar acostumbrado a usar estas herramientas en entornos Windows...
    – FJSevilla
    el 3 nov. 2017 a las 0:23

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.