pdf

PDF Anleitung zur Bearbeitung

Übersicht

Diese Anleitung behandelt die wesentlichen Verarbeitungsvorgänge für „ PDF “ unter Verwendung von Python-Bibliotheken und Befehlszeilentools. Informationen zu erweiterten Funktionen, JavaScript-Bibliotheken und detaillierten Beispielen finden Sie in der Datei „REFERENCE.md“. Wenn Sie ein Formular unter PDF ausfüllen müssen, lesen Sie die Datei „FORMS.md“ und befolgen Sie die dortigen Anweisungen.

Schnellstart

from pypdf import PdfReader, Pdf Writer# Ein „ PDF “-Dokument lesen 
reader = PdfReader("document.pdf")
print(f"Seiten: {len(reader.pages)}")# Text extrahieren
text = ""
for page in reader.pages:
    text += page.extract_text()

Python-Bibliotheken

pypdf – Grundlegende Operationen

PDFs zusammenführen

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)

Teilen 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)

Metadaten extrahieren

reader = PdfReader("document.pdf")
meta = reader.metadata
print(f"Titel: {meta.title}")
print(f"Autor: {meta.author}")
print(f"Thema: {meta.subject}")
print(f"Urheber: {meta.creator}")

Seiten drehen

reader = PdfReader("input.pdf")
writer = PdfWriter()page = reader.pages[0]
page.rotate(90)  # Um 90 Grad im Uhrzeigersinn drehen
writer.add_page(page)with open("rotated.pdf", "wb") as output:
    writer.write(output)

pdfplumber – Text- und Tabellenextraktion

Text mit Layout extrahieren

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

Tabellen extrahieren

mit 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"Tabelle {j+1} auf Seite {i+1}:")
            for row in table:
                print(row)

Erweiterte Tabellenextraktion

import pandas aspdwith pdfplumber.open("document.pdf") as pdf:
    all_tables = []
    for page in pdf.pages:
        tables = page.extract_tables()
        for table in tables:
            if table:  # Prüfen, ob die Tabelle nicht leer ist
                df = pd.DataFrame(table[1:], columns=table[0])
                all_tables.append(df)# Alle Tabellen zusammenführen
if all_tables:
    combined_df = pd.concat(all_tables,ignore_index=True)
    combined_df.to_excel("extracted_tables.xlsx",index=False)

reportlab – Erstellen von „ PDFs“

Erstellung einfacher „ PDF s“

from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvas
c = canvas.Canvas("hello.pdf", pagesize=letter)
width, height = letter# Text hinzufügen
c.drawString(100, height - 100, "Hello World!")
c.drawString(100, height - 120, "Dies ist ein mit reportlab erstelltes PDF ")# Eine Linie hinzufügen
c.line(100, height - 140, 400, height - 140)# Speichern
c.save()

Erstellen eines „ PDF “ mit mehreren Seiten

from reportlab.lib.pagesizes import letter
from reportlab.platypus import SimpleDocTemplate, Paragraph, Spacer, PageBreak
from reportlab.lib.styles import getSampleStyleSheetdoc = SimpleDocTemplate("report.pdf", pagesize=letter)
styles = getSampleStyleSheet()
story = []# Inhalt hinzufügen
title = Paragraph("Berichtstitel", styles['Title'])
story.append(title)
story.append(Spacer(1, 12))body = Paragraph("Dies ist der Hauptteil des Berichts. " * 20, styles['Normal'])
story.append(body)
story.append(PageBreak())# Seite 2
story.append(Paragraph("Seite 2", styles['Heading1']))
story.append(Paragraph("Inhalt für Seite 2", styles['Normal']))# Dokument erstellen PDF
doc.build(story)

Index und Exponent

WICHTIG: Verwenden Sie in ReportLab- PDFen niemals Unicode-Zeichen für Hoch- und Tiefstellung (₀₁₂₃₄₅₆₇₈₉, ⁰¹²³⁴⁵⁶⁷⁸⁹). Die integrierten Schriftarten enthalten diese Glyphen nicht, sodass sie als durchgezogene schwarze Kästchen dargestellt werden.

Verwenden Sie stattdessen die XML-Markup-Tags von ReportLab in „Paragraph“-Objekten:

from reportlab.platypus import Paragraph
from reportlab.lib.styles import getSampleStyleSheetstyles = getSampleStyleSheet()# Indizes: Verwenden Sie das Tag „  “
chemical = Paragraph("H2O", styles['Normal'])# Hochstellungen: Verwenden Sie das Tag „  “
squared = Paragraph("x² +y²", styles['Normal'])

Bei auf der Leinwand gezeichnetem Text (keine „Paragraph“-Objekte) sollten Sie die Schriftgröße und -position manuell anpassen, anstatt Unicode-Index- und Exponentenzeichen zu verwenden.

Befehlszeilen-Tools

pdftotext (poppler-utils)

# Text extrahieren
pdftotext input.pdf output.txt# Text unter Beibehaltung des Layouts extrahieren
pdftotext -layout input.pdf output.txt# Bestimmte Seiten extrahieren
pdftotext -f 1 -l 5 input.pdf output.txt  # Seiten 1–5

qpdf

# „ PDF“ zusammenführen
qpdf --empty --pages file1.pdf file2.pdf -- merged.pdf# Seiten aufteilen
qpdf input.pdf --pages . 1-5 -- pages1-5.pdf
qpdf input.pdf --pages . 6-10 -- pages6-10.pdf# Seiten drehen
qpdf input.pdf output.pdf --rotate=+90:1  # Seite 1 um 90 Grad drehen# Passwort entfernen
qpdf --password=mypassword --decrypt encrypted.pdf decrypted.pdf

pdftk (falls verfügbar)

# Zusammenführen
pdftk file1.pdf file2.pdf cat output merged.pdf# Aufteilen
pdftk input.pdf  burst# Drehen
pdftk input.pdf rotate 1east output rotated.pdf

Häufige Aufgaben

Text aus gescannten „ PDF“-Dateien extrahieren

# Voraussetzungen: pip install pytesseract pdf2image
import pytesseract
from pdf2image import convert_from_path# „ PDF “ in Bilder konvertieren
images = convert_from_path('scanned.pdf')# Jede Seite per OCR verarbeiten
text = ""
for i, image in enumerate(images):
    text += f"Seite {i+1}:\n"
    text += pytesseract.image_to_string(image)
    text += "\n\n"print(text)

Wasserzeichen hinzufügen

from pypdf import PdfReader, Pdf Writer# Wasserzeichen erstellen (oder vorhandenes laden)
watermark = PdfReader("watermark.pdf").pages[0]# Auf alle Seiten anwenden
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)

Bilder extrahieren

# Bilder mit „ pdf“ extrahieren (poppler-utils)
pdfimages -j input.pdf  output_prefix# Dadurch werden alle Bilder als output_prefix-000.jpg, output_prefix-001.jpg usw. extrahiert.

Passwortschutz

from pypdf import PdfReader, PdfWriterreader = PdfReader("input.pdf")
writer = PdfWriter()for page in reader.pages:
    writer.add_page(page)# Passwort hinzufügen
writer.encrypt("userpassword", "ownerpassword")with open("encrypted.pdf", "wb") as output:
    writer.write(output)

Kurzanleitung

Nächste Schritte

• Informationen zur fortgeschrittenen Verwendung von pypdfium2 finden Sie in REFERENCE.md
• Informationen zu JavaScript-Bibliotheken (pdf-lib) finden Sie in REFERENCE.md
• PDF Wenn Sie ein Python-Formular ausfüllen müssen, befolgen Sie die Anweisungen in FORMS.md
• Anleitungen zur Fehlerbehebung finden Sie in REFERENCE.md