便携式文档格式 (PDF)

pdf
分类Office
作者Anthropic
许可Proprietary. LICENSE.txt has complete terms
评分4.40/5
使用7.8K

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 PDF 处理的核心操作。如需了解高级功能、JavaScript 库及详细示例，请参阅 REFERENCE.md。如果您需要填写 PDF 表单，请阅读 FORMS.md 并按照其指令操作。

快速上手

python
from pypdf import PdfReader, PdfWriter

读取 PDF

reader = PdfReader("document.pdf")
print(f"页数: {len(reader.pages)}")

提取文本

text = ""
for page in reader.pages:
    text += page.extract_text()

Python 库

pypdf - 基础操作

#### 合并 PDF

python
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)

#### 分割 PDF

python
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

python
reader = PdfReader("document.pdf")
meta = reader.metadata
print(f"标题: {meta.title}")
print(f"作者: {meta.author}")
print(f"主题: {meta.subject}")
print(f"创建者: {meta.creator}")

#### 旋转页面

python
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 - 文本与表格提取

#### 保持布局提取文本

python
import pdfplumber


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

#### 提取表格

python
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"第 {i+1} 页的表格 {j+1}:")
            for row in table:
                print(row)

#### 高级表格提取

python
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

#### 基础 PDF 创建

python
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")

添加直线

c.line(100, height - 140, 400, height - 140)

保存

c.save()

#### 创建多页 PDF

python
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())

Page 2

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

Build PDF

doc.build(story)
code
#### 下标与上标

重要提示：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，会导致它们被渲染为实心黑块。


请在 Paragraph 对象中使用 ReportLab 的 XML 标记标签：
python
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'])
code
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，而非使用 Unicode 下标/上标。

命令行工具


pdftotext (poppler-utils)
bash

提取文本

pdftotext input.pdf output.txt

提取文本并保留布局

pdftotext -layout input.pdf output.txt

提取特定页码

pdftotext -f 1 -l 5 input.pdf output.txt # 第 1-5 页
code
### qpdf
bash

合并 PDF

qpdf --empty --pages file1.pdf file2.pdf -- merged.pdf

分割页面

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
code
### pdftk (如果可用)
bash

合并

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

分割

pdftk input.pdf burst

旋转

pdftk input.pdf rotate 1east output rotated.pdf
code
## 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 转换为图像

images = convert_from_path('scanned.pdf')

对每页进行 OCR 识别

text = "" for i, image in enumerate(images): text += f"Page {i+1}:\n" text += pytesseract.image_to_string(image) text += "\n\n"

print(text)

code
### 添加水印
python
from pypdf import PdfReader, PdfWriter

创建水印（或加载现有水印）

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)

code
### 提取图像
bash

使用 pdfimages (poppler-utils)


pdfimages -j input.pdf output_prefix

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

code
### 密码保护
python 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 PDF | pypdf | writer.add_page(page) |
| 分割 PDF | pypdf | 每页保存为一个文件 |
| 提取文本 | pdfplumber | page.extract_text() |
| 提取表格 | pdfp | (未完成) |
| 任务 | 推荐库 | 关键方法/工具 |
| :--- | :--- | :--- |
| 提取表格 | pdfplumber | page.extract_tables() |
| 创建 PDF | reportlab | Canvas 或 Platypus |
| 命令行合并 | qpdf | qpdf --empty --pages ...` |
| 扫描件 OCR | pytesseract | 先转换为图像 |
| 填写 PDF 表单 | pdf-lib 或 pypdf (见 FORMS.md) | 见 FORMS.md |

后续步骤

  • 进阶 pypdfium2 用法，请参阅 REFERENCE.md
  • JavaScript 库 (pdf-lib)，请参阅 REFERENCE.md
  • 如需填写 PDF 表单，请遵循 FORMS.md 中的指南
  • 故障排除指南，请参阅 REFERENCE.md