重要： 所有
scripts/路径均相对于此技能目录。 运行方式：cd {this_skill_dir} && python scripts/...或使用execute_shell_command的cwd参数。
PDF 处理指南
前置要求
- pypdf：核心 PDF 读写功能
- pdfplumber：文本和表格提取
- reportlab：PDF 创建
- pdftotext (poppler-utils)：命令行文本提取
- pdftoppm (poppler-utils)：PDF 转图片
- qpdf：PDF 操作（合并、拆分、旋转、解密）
概述
本指南涵盖了使用 Python 库和命令行工具进行 PDF 处理的基本操作。有关高级功能、JavaScript 库和详细示例，请参阅 REFERENCE.md。如果需要填写 PDF 表单，请阅读 FORMS.md 并按照其中的说明操作。
快速入门
pythonfrom 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 PDF
pythonfrom 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
pythonreader = 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
pythonreader = 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
pythonreader = 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
提取带布局的文本
pythonimport pdfplumber with pdfplumber.open("document.pdf") as pdf: for page in pdf.pages: text = page.extract_text() print(text)
提取表格
pythonwith 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
pythonimport 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: # 检查表格是否为空 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 PDF
基本 PDF 创建
pythonfrom 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
pythonfrom 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：切勿在 ReportLab PDF 中使用 Unicode 下标/上标字符（₀₁₂₃₄₅₆₇₈₉、⁰¹²³⁴⁵⁶⁷⁸⁹）。内置字体不包含这些字形，会导致它们渲染为黑色方块。
请改用 ReportLab 在 Paragraph 对象中的 XML 标记标签：
pythonfrom 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'])
对于使用 canvas 绘制的文本（非 Paragraph 对象），请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)
bash# 提取文本 pdftotext input.pdf output.txt # 保留布局提取文本 pdftotext -layout input.pdf output.txt # 提取指定页面 pdftotext -f 1 -l 5 input.pdf output.txt # 第 1-5 页
qpdf
bash# 合并 PDF 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 # 将第 1 页旋转 90 度 # 移除密码 qpdf --password=mypassword --decrypt encrypted.pdf decrypted.pdf
pdftk（如果可用）
bash# 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
从扫描版 PDF 提取文本
python# 需要安装：pip install pytesseract pdf2image import pytesseract from pdf2image import convert_from_path # 将 PDF 转换为图片 images = convert_from_path('scanned.pdf') # 对每页进行 OCR text = "" for i, image in enumerate(images): text += f"Page {i+1}:\n" text += pytesseract.image_to_string(image) text += "\n\n" print(text)
添加水印
pythonfrom pypdf import PdfReader, PdfWriter # 创建水印（或加载已有水印） 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)
提取图片
bash# 使用 pdfimages (poppler-utils) pdfimages -j input.pdf output_prefix # 这会将所有图片提取为 output_prefix-000.jpg、output_prefix-001.jpg 等
密码保护
pythonfrom 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 PDF | pypdf | writer.add_page(page) |
| 拆分 PDF | 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 PDF | reportlab | Canvas 或 Platypus |
| 命令行合并 | qpdf | qpdf --empty --pages ... |
| OCR 扫描版 PDF | pytesseract | 先转换为图片 |
| 填写 PDF 表单 | pdf-lib 或 pypdf（见 FORMS.md） | 见 FORMS.md |
后续步骤
- 有关 pypdfium2 的高级用法，请参阅 REFERENCE.md
- 有关 JavaScript 库（pdf-lib），请参阅 REFERENCE.md
- 如果需要填写 PDF 表单，请按照 FORMS.md 中的说明操作
- 有关故障排除指南，请参阅 REFERENCE.md
