Как найти и изменить текст в pdf файле?

Question

[zanyato11111]

Здравствуйте, не удается никак изменить текст в pdf файле. Пробовал с библиотекой pypdf2

Пробовал такой код, но файл на выходе без изменений:

pathfile = "prices.pdf"
    pdf = PdfReader(pathfile)
    pdf_ready = PdfWriter()

    firstpage = pdf.pages[0]

    for index in range(0, len(firstpage.get_contents())):

        decoded_first_page = firstpage.get_contents()[index].get_object()
        decoded_first_page.decoded_self

        content = decoded_first_page.get_object().get_data()

        content = content.replace('[e-mail]'.encode('utf-8'),  '[e-mail]'.encode('utf-8'))

        decoded_first_page.get_object().set_data(content)

    pdf_ready.add_page(firstpage)

    with open("prices_modified.pdf", 'wb') as file:
        pdf_ready.write(file)

Может кто сталкивался с такой задачей?

Comments

[Adamos]

Формат PDF вообще не гарантирует, что этот текст будет одной строчкой, а не россыпью символов.
И уж тем более никакого UTF-8 в PDF нет by design.

[Adamos]

Оптимальный алгоритм правки PDF - это правка того, из чего этот PDF сделан, и создание его заново.

[Viktor T2]

Если пдф текстовый попробуй fitz (он же PyMuPDF) https://pymupdf.readthedocs.io/en/latest/tutorial.html
Он в такие штуки умеет

Что-то вроде этого

# удалить кусок текста fitz-ем
    x0 = 100.0
    y0 = 105.0
    x1 = 276.0
    y1 = 166.0
    rect = (x0, y0, x1, y1)
    annot = page.addRedactAnnot(rect)
    page.apply_redactions()
# далее на отдельном листе надо сделать новый текст каким нибудь reportlab-ом
# потом надо сделать слияние с помощью pypdf

https://www-geeksforgeeks-org.translate.goog/pdf-r...
https://morioh.com/p/62863e3f23d6

Answer 1

[Сергей П]

Как найти и изменить текст в pdf файле?

В общем случае никак. PDF может содержать просто картинки с отсканированными страницами, может содержать векторные рисуночки букв вместо струткурного текста, может содержать просто набор кривых, составляющих буквы, причем они не будут даже сгруппированы в отдельные символы или строки.
Если вам повезло и конкретно ваши прайсы подготовлены так, что внутри сохранилась информация с текстом для текстового поиска, то это не значит, что заменив этот текст в бинарном файле у вас что-то изменится. или хотя бы не поломается в отображении документа. А ещё pdf может быть защищен, зашифрован, подписан ЭЦП, обфусцирован для извлечения данных...

Единственное более-менее работающее решение - это распознать текст любым инструментом OCR, отобразить его на виртуальном холсте и нарисовать сверху заплатки с новым текстом, если новый текст вообще поместится поверх старого.
Потом снова печатаем холст в PDF. Это страшный геморрой и лучге брать исходный документ и менть текст в нём, как вам уже предложили в комментариях.

Проще сверстать документ заново, чем, в общем случае, редактировать что-то в PDF.