【代码学习】批量提取论文(pdf)的第一页

使用场景

软件学报论文录用的收尾工作中，需要提交所有参考文献首页的电子版压缩包(以文献序号作为文件名)，也就是说，我一篇综述论文90+篇文献，需要逐一找到这些文献的pdf原版（现存电脑中的已经被我批注过了），然后逐一提取出pdf的第一页，这两件事情中，第一件事情较为复杂（因为所需论文的发表期刊/会议需要与引用一致），而第二件更简单且更耗时，所以付诸于程序

python批量提取pdf的第一页

from PyPDF2 import PdfFileReader, PdfFileWriter
import os

def pdf_split_3(pdf_dir, output_dir, begin_idx, end_idx):

    for i in range(begin_idx, end_idx+1): # 所有要遍历的pdf文件
        pdf_input = os.path.join(pdf_dir, '{}.pdf'.format(i))
        pdf_output = os.path.join(output_dir, '{}.pdf'.format(i))
        with open(pdf_input, 'rb') as open_pdf:
            pdf_reader = PdfFileReader(open_pdf)
            pdf_writer = PdfFileWriter()
            pdf_writer.addPage(pdf_reader.getPage(0))

            with open(pdf_output, 'ab') as out:
                pdf_writer.write(out)

if __name__ == '__main__':
    pdf_dir = '/data4/wangyan/pdf' # 所有pdf文件所在目录，默认其中的文件按照begin_idx到end_idx命名的，如1.pdf
    output_dir = '/data4/wangyan/pdf_firstpage' # 所有pdf第一页的计划输出目录
    begin_idx = 1 # 第一篇文献序号
    end_idx = 92 # 最后一篇文献序号
    pdf_split_3(pdf_dir, output_dir, begin_idx, end_idx)