pdf

PDF Guía de tramitación

Descripción general

Esta guía abarca las operaciones de procesamiento esenciales de PDF utilizando bibliotecas de Python y herramientas de línea de comandos. Para conocer las funciones avanzadas, las bibliotecas de JavaScript y ejemplos detallados, consulta REFERENCE.md. Si necesitas rellenar un formulario de PDF, lee FORMS.md y sigue sus instrucciones.

Inicio rápido

from pypdf import PdfReader, Pdf Writer# Leer un PDF
reader = PdfReader("document.pdf")
print(f"Páginas: {len(reader.pages)}")# Extraer texto
text = ""
for page in reader.pages:
    text += page.extract_text()

Bibliotecas de Python

pypdf - Operaciones básicas

Combinar archivos « PDF»

from pypdf import PdfWriter, PdfReader writer = PdfWriter()
for pdf_file in ["doc1.pdf", "doc2.pdf", "doc3.pdf"]:
    reader = PdfReader(pdf_file)
   for página in lector.páginas:
        escritor.añadir_página(página)with open("merged.pdf", "wb") as salida:
    escritor.escribir(salida)

Dividir 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)

Extraer metadatos

reader = PdfReader("document.pdf")
meta = reader.metadata
print(f"Título: {meta.title}")
print(f"Autor: {meta.author}")
print(f"Tema: {meta.subject}")
print(f"Creador: {meta.creator}")

Rotar páginas

reader = PdfReader("input.pdf")
writer = PdfWriter()page = reader.pages[0]
page.rotate(90)  # Girar 90 grados en el sentido de las agujas del reloj
writer.add_page(page)with open("rotated.pdf", "wb") as output:
    writer.write(output)

pdfplumber - Extracción de texto y tablas

Extraer texto con diseño

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

Extraer tablas

con 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"Tabla {j+1} en la página {i+1}:")
            for row in table:
                print(row)

Extracción avanzada de tablas

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:  # Comprueba si la tabla no está vacía
                df = pd.DataFrame(table[1:], columns=table[0])
                all_tables.append(df)# Combinar todas las tablas
if all_tables:
    combined_df = pd.concat(all_tables,ignore_index=True)
    combined_df.to_excel("extracted_tables.xlsx",index=False)

reportlab - Crear archivos « PDF»

Creación básica de un documento « PDF »

from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvas
c = canvas.Canvas("hello.pdf", pagesize=letter)
width, height = letter# Añadir texto
c.drawString(100, height - 100, "Hello World!")
c.drawString(100, height - 120, "Esto es un PDF creado con reportlab")# Añadir una línea
c.line(100, height - 140, 400, height - 140)# Guardar
c.save()

Crear un PDF o con varias páginas

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 = []# Añadir contenido
title = Paragraph("Título del informe", styles['Title'])
story.append(title)
story.append(Spacer(1, 12))body = Paragraph("Este es el cuerpo del informe. " * 20, styles['Normal'])
story.append(body)
story.append(PageBreak())# Página 2
story.append(Paragraph("Página 2", styles['Heading1']))
story.append(Paragraph("Contenido de la página 2", styles['Normal']))# Generar un docum PDF 
doc.build(story)

Subíndices y superíndices

IMPORTANTE: Nunca utilices caracteres de subíndice o superíndice Unicode (₀₁₂₃₄₅₆₇₈₉, ⁰¹²³⁴⁵⁶⁷⁸⁹) en los documentos de ReportLab PDF. Las fuentes integradas no incluyen estos glifos, por lo que se muestran como cuadros negros sólidos.

En su lugar, utiliza las etiquetas de marcado XML de ReportLab en los objetos «Paragraph»:

from reportlab.platypus import Paragraph
from reportlab.lib.styles import getSampleStyleSheetstyles = getSampleStyleSheet()# Subíndices: utiliza la etiqueta  chemical = Paragraph("H2O", styles['Normal'])# Superíndices: utiliza la etiqueta «  »
squared = Paragraph("x2 +y2", styles['Normal'])

Para el texto dibujado en el lienzo (que no sean objetos Paragraph), ajusta manualmente el tamaño y la posición de la fuente en lugar de utilizar subíndices y superíndices Unicode.

Herramientas de línea de comandos

pdftotext (poppler-utils)

# Extraer textopdftotext entrada.pdf salida.txt# Extraer texto conservando el formatopdftotext -layout entrada.pdf salida.txt# Extraer páginas específicaspdftotext -f 1 -l 5 entrada.pdf salida.txt  # Páginas 1-5

qpdf

# Fusionar « PDF»
qpdf --empty --pages file1.pdf file2.pdf -- merged.pdf# Dividir páginas
qpdf input.pdf --pages . 1-5 -- pages1-5.pdf
qpdf input.pdf --pages . 6-10 -- pages6-10.pdf# Girar páginas
qpdf entrada.pdf salida.pdf --rotate=+90:1  # Girar la página 1 90 grados# Eliminar contraseña
qpdf --password=mypassword --decrypt encrypted.pdf decrypted.pdf

pdftk (si está disponible)

# Combinar
pdftk file1.pdf file2.pdf cat output merged.pdf# Dividir
pdftk input.pdf  burst# Girar
pdftk input.pdf rotate 1east output rotated.pdf

Tareas comunes

Extraer texto de archivos escaneados PDFs

# Requisitos: pip install pytesseract pdf2image
import pytesseract
from pdf2image import convert_from_path# Convertir PDF en imágenes
images = convert_from_path('scanned.pdf')# Realizar OCR en cada página
text = ""
for i, image in enumerate(images):
    text += f"Página {i+1}:\n"
    text += pytesseract.image_to_string(image)
    text += "\n\n"print(text)

Añadir marca de agua

from pypdf import PdfReader, Pdf Writer# Crear marca de agua (o cargar una existente)
watermark = PdfReader("watermark.pdf").pages[0]# Aplicar a todas las páginas
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)

Extraer imágenes

# Usando imágenes de pdf(poppler-utils)
pdfimages -j input.pdf  output_prefix# Esto extrae todas las imágenes como output_prefix-000.jpg, output_prefix-001.jpg, etc.

Protección con contraseña

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

Referencia rápida

Próximos pasos

• Para un uso avanzado de pypdfium2, consulta REFERENCE.md
• Para las bibliotecas de JavaScript (pdf-lib), consulta REFERENCE.md
• Si necesita rellenar un formulario de PDF, siga las instrucciones de FORMS.md
• Para consultar las guías de resolución de problemas, consulta REFERENCE.md