Extrair anexos de PDF

Extrair Anexo Específico de PDF

Extrair um único arquivo incorporado de um documento PDF usando Python e Aspose.PDF. Ele procura um anexo pelo nome, recupera seu conteúdo e o salva como um arquivo separado. Isso é útil para acessar documentos incorporados, como relatórios, logs ou arquivos de suporte armazenados dentro do PDF.

1. Definir Função ’extract_single_attachment()'.
2. Abrir documento PDF.
3. Pesquisar anexo.
4. Extrair conteúdo do anexo.

import aspose.pdf as ap

def extract_single_attachment(infile, attachment_name, outfile):
    with ap.Document(infile) as document:
        print(f"Extracting attachment: {attachment_name}")

        attachment_found = False
        for file_spec in document.embedded_files:
            if file_spec.name == attachment_name:
                with open(outfile, "wb") as f:
                    f.write(file_spec.contents.read())
                print("Attachment extracted successfully")
                attachment_found = True
                break

        if not attachment_found:
            raise ValueError(f"Attachment '{attachment_name}' not found in PDF")

Exibir Metadados do Anexo de Arquivo

Esta função auxiliar imprime informações de metadados de um objeto de especificação de arquivo. Ela é tipicamente usada ao trabalhar com anexos de arquivos incorporados em PDFs usando Aspose.PDF, permitindo que os desenvolvedores inspecionem detalhes como checksum, data de criação, data de modificação e tamanho do arquivo.

def _print_file_params(params):
    """Helper to print file specification parameters."""
    if params:
        print(f"CheckSum: {params.check_sum}")
        print(f"Creation Date: {params.creation_date}")
        print(f"Modification Date: {params.mod_date}")
        print(f"Size: {params.size}")

Extrair e Inspecionar Todos os Anexos PDF

Este trecho de código demonstra como extrair todos os arquivos incorporados de um documento PDF usando Python e Aspose.PDF. Ele não apenas salva cada anexo em uma pasta especificada, mas também imprime metadados detalhados, como nome do arquivo, descrição, tipo MIME, soma de verificação e carimbos de data/hora. Isso é útil para auditoria, exportação ou processamento de conteúdo incorporado em arquivos PDF.

from os import path
import aspose.pdf as ap

def extract_attachments(infile, output_dir):
    with ap.Document(infile) as document:
        print(f"Total files: {len(document.embedded_files)}")

        for file_spec in document.embedded_files:
            print(f"Name: {file_spec.name}")
            print(f"Description: {file_spec.description}")
            print(f"Mime Type: {file_spec.mime_type}")
            _print_file_params(file_spec.params)

            output_path = path.join(output_dir, file_spec.name)
            with open(output_path, "wb") as f:
                f.write(file_spec.contents.read())

Extrair arquivos de anotações de anexos PDF

Extrair um arquivo incorporado de uma anotação FileAttachment em um PDF usando Python e Aspose.PDF. Ele procura na primeira página a primeira anotação de anexo, recupera o arquivo incorporado e o salva em um diretório de saída selecionado. Isso é útil quando os PDFs contêm ícones de anexos de arquivo clicáveis em vez de coleções padrão de arquivos incorporados.

from os import path
import aspose.pdf as ap
from aspose.pycore import cast

def extract_file_attachment_annotation(infile, output_dir):
    # Open PDF document
    with ap.Document(infile) as document:

        # Get first page
        page = document.pages[1]

        # Find first FileAttachment annotation
        file_attachment = next(
            (
                annot
                for annot in page.annotations
                if annot.annotation_type == ap.annotations.AnnotationType.FILE_ATTACHMENT
            ),
            None,
        )

        if file_attachment is None:
            print("No FileAttachment annotation found on the first page.")
            return

        # Cast to FileAttachmentAnnotation
        faa = cast(ap.annotations.FileAttachmentAnnotation, file_attachment)

        # Access embedded file
        file_spec = faa.file
        print(f"File name: {file_spec.name}")

        # Save embedded file to disk
        output_path = path.join(output_dir, f"extracted-{file_spec.name}")
        with open(output_path, "wb") as f:
            f.write(file_spec.contents.read())

        print(f"Extracted to: {output_path}")