PDF文件处理Skill pdf

---

名称: pdf 描述: 每当用户想要对PDF文件进行任何操作时，使用此技能。这包括从PDF中读取或提取文本/表格、合并多个PDF为一个、拆分PDF、旋转页面、添加水印、创建新PDF、填充PDF表单、加密/解密PDF、提取图像，以及对扫描的PDF进行OCR以使其可搜索。如果用户提到.pdf文件或要求生成一个，使用此技能。 许可证: 专有。LICENSE.txt包含完整条款

PDF处理指南

概述

本指南涵盖了使用Python库和命令行工具进行基本PDF处理操作。有关高级功能、JavaScript库和详细示例，请参见REFERENCE.md。如果您需要填写PDF表单，请阅读FORMS.md并遵循其说明。

快速开始

from pypdf import PdfReader, PdfWriter

# 读取PDF
reader = PdfReader("document.pdf")
print(f"Pages: {len(reader.pages)}")

# 提取文本
text = ""
for page in reader.pages:
    text += page.extract_text()

Python库

pypdf - 基本操作

合并PDFs

from pypdf import PdfWriter, PdfReader

writer = PdfWriter()
for pdf_file in ["doc1.pdf", "doc2.pdf", "doc3.pdf"]:
    reader = PdfReader(pdf_file)
    for page in reader.pages:
        writer.add_page(page)

with open("merged.pdf", "wb") as output:
    writer.write(output)

拆分PDF

reader = PdfReader("input.pdf")
for i, page in enumerate(reader.pages):
    writer = PdfWriter()
    writer.add_page(page)
    with open(f"page_{i+1}.pdf", "wb") as output:
        writer.write(output)

提取元数据

reader = PdfReader("document.pdf")
meta = reader.metadata
print(f"Title: {meta.title}")
print(f"Author: {meta.author}")
print(f"Subject: {meta.subject}")
print(f"Creator: {meta.creator}")

旋转页面

reader = PdfReader("input.pdf")
writer = PdfWriter()

page = reader.pages[0]
page.rotate(90)  # 顺时针旋转90度
writer.add_page(page)

with open("rotated.pdf", "wb") as output:
    writer.write(output)

pdfplumber - 文本和表格提取

提取文本并保持布局

import pdfplumber

with pdfplumber.open("document.pdf") as pdf:
    for page in pdf.pages:
        text = page.extract_text()
        print(text)

提取表格

with pdfplumber.open("document.pdf") as pdf:
    for i, page in enumerate(pdf.pages):
        tables = page.extract_tables()
        for j, table in enumerate(tables):
            print(f"Table {j+1} on page {i+1}:")
            for row in table:
                print(row)

高级表格提取

import pandas as pd

with pdfplumber.open("document.pdf") as pdf:
    all_tables = []
    for page in pdf.pages:
        tables = page.extract_tables()
        for table in tables:
            if table:  # 检查表格是否非空
                df = pd.DataFrame(table[1:], columns=table[0])
                all_tables.append(df)

# 合并所有表格
if all_tables:
    combined_df = pd.concat(all_tables, ignore_index=True)
    combined_df.to_excel("extracted_tables.xlsx", index=False)

reportlab - 创建PDFs

基本PDF创建

from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvas

c = canvas.Canvas("hello.pdf", pagesize=letter)
width, height = letter

# 添加文本
c.drawString(100, height - 100, "Hello World!")
c.drawString(100, height - 120, "This is a PDF created with reportlab")

# 添加线条
c.line(100, height - 140, 400, height - 140)

# 保存
c.save()

创建多页PDF

from reportlab.lib.pagesizes import letter
from reportlab.platypus import SimpleDocTemplate, Paragraph, Spacer, PageBreak
from reportlab.lib.styles import getSampleStyleSheet

doc = SimpleDocTemplate("report.pdf", pagesize=letter)
styles = getSampleStyleSheet()
story = []

# 添加内容
title = Paragraph("Report Title", styles['Title'])
story.append(title)
story.append(Spacer(1, 12))

body = Paragraph("This is the body of the report. " * 20, styles['Normal'])
story.append(body)
story.append(PageBreak())

# 第2页
story.append(Paragraph("Page 2", styles['Heading1']))
story.append(Paragraph("Content for page 2", styles['Normal']))

# 构建PDF
doc.build(story)

下标和上标

重要: 在ReportLab PDF中切勿使用Unicode下标/上标字符（₀₁₂₃₄₅₆₇₈₉, ⁰¹²³⁴⁵⁶⁷⁸⁹）。内置字体不包含这些字形，会导致它们渲染为实心黑框。

相反，在Paragraph对象中使用ReportLab的XML标记标签：

from reportlab.platypus import Paragraph
from reportlab.lib.styles import getSampleStyleSheet

styles = getSampleStyleSheet()

# 下标：使用<sub>标签
chemical = Paragraph("H<sub>2</sub>O", styles['Normal'])

# 上标：使用<super>标签
squared = Paragraph("x<super>2</super> + y<super>2</super>", styles['Normal'])

对于canvas绘制的文本（非Paragraph对象），手动调整字体大小和位置，而不是使用Unicode下标/上标。

命令行工具

pdftotext (poppler-utils)

# 提取文本
pdftotext input.pdf output.txt

# 提取文本并保持布局
pdftotext -layout input.pdf output.txt

# 提取特定页面
pdftotext -f 1 -l 5 input.pdf output.txt  # 第1-5页

qpdf

# 合并PDFs
qpdf --empty --pages file1.pdf file2.pdf -- merged.pdf

# 拆分页面
qpdf input.pdf --pages . 1-5 -- pages1-5.pdf
qpdf input.pdf --pages . 6-10 -- pages6-10.pdf

# 旋转页面
qpdf input.pdf output.pdf --rotate=+90:1  # 旋转第1页90度

# 移除密码
qpdf --password=mypassword --decrypt encrypted.pdf decrypted.pdf

pdftk (如可用)

# 合并
pdftk file1.pdf file2.pdf cat output merged.pdf

# 拆分
pdftk input.pdf burst

# 旋转
pdftk input.pdf rotate 1east output rotated.pdf

常见任务

从扫描PDF提取文本

# 需要: pip install pytesseract pdf2image
import pytesseract
from pdf2image import convert_from_path

# 将PDF转换为图像
images = convert_from_path('scanned.pdf')

# 对每页进行OCR
text = ""
for i, image in enumerate(images):
    text += f"Page {i+1}:
"
    text += pytesseract.image_to_string(image)
    text += "

"

print(text)

添加水印

from pypdf import PdfReader, PdfWriter

# 创建水印（或加载现有）
watermark = PdfReader("watermark.pdf").pages[0]

# 应用到所有页面
reader = PdfReader("document.pdf")
writer = PdfWriter()

for page in reader.pages:
    page.merge_page(watermark)
    writer.add_page(page)

with open("watermarked.pdf", "wb") as output:
    writer.write(output)

提取图像

# 使用pdfimages (poppler-utils)
pdfimages -j input.pdf output_prefix

# 这将提取所有图像为 output_prefix-000.jpg, output_prefix-001.jpg 等。

密码保护

from pypdf import PdfReader, PdfWriter

reader = PdfReader("input.pdf")
writer = PdfWriter()

for page in reader.pages:
    writer.add_page(page)

# 添加密码
writer.encrypt("userpassword", "ownerpassword")

with open("encrypted.pdf", "wb") as output:
    writer.write(output)

快速参考

任务	最佳工具	命令/代码
合并PDFs	pypdf	writer.add_page(page)
拆分PDFs	pypdf	每页一个文件
提取文本	pdfplumber	page.extract_text()
提取表格	pdfplumber	page.extract_tables()
创建PDFs	reportlab	Canvas或Platypus
命令行合并	qpdf	qpdf --empty --pages ...
OCR扫描PDFs	pytesseract	先转换为图像
填充PDF表单	pdf-lib 或 pypdf (见FORMS.md)	见FORMS.md

下一步

• 有关高级pypdfium2用法，请参见REFERENCE.md
• 有关JavaScript库 (pdf-lib)，请参见REFERENCE.md
• 如果您需要填写PDF表单，请遵循FORMS.md中的说明
• 有关故障排除指南，请参见REFERENCE.md